Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Apprentissage supervisé avec kNN : modèle de régression

Dans cours

EE-411: Fundamentals of inference and learning

This is an introductory course in the theory of statistics, inference, and machine learning, with an emphasis on theoretical understanding & practical exercises. The course will combine, and alternate, between mathematical theoretical foundations and prac ...

Description

Cette séance de cours présente un modèle mathématique simple pour l'apprentissage supervisé avec k-voisins les plus proches (kNN) dans le contexte de la régression. L'instructeur explique les hypothèses, les connaissances de la distribution et le processus pour trouver la meilleure fonction qui minimise l'erreur. Divers concepts tels que Bayes, la minimisation des risques et la population sont couverts.

Enseignant·e

Florent Gérard Krzakala

Source officielle

Proximité ontologique

Statistique

Inférence statistique: Statistique mathématique

Concepts associés (32)

Régression linéaire

En statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.

Loi normale

En théorie des probabilités et en statistique, les lois normales sont parmi les lois de probabilité les plus utilisées pour modéliser des phénomènes naturels issus de plusieurs événements aléatoires. Elles sont en lien avec de nombreux objets mathématiques dont le mouvement brownien, le bruit blanc gaussien ou d'autres lois de probabilité. Elles sont également appelées lois gaussiennes, lois de Gauss ou lois de Laplace-Gauss des noms de Laplace (1749-1827) et Gauss (1777-1855), deux mathématiciens, astronomes et physiciens qui l'ont étudiée.

Régression (statistiques)

En mathématiques, la régression recouvre plusieurs méthodes d’analyse statistique permettant d’approcher une variable à partir d’autres qui lui sont corrélées. Par extension, le terme est aussi utilisé pour certaines méthodes d’ajustement de courbe. En apprentissage automatique, on distingue les problèmes de régression des problèmes de classification. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification.

Croissance démographique

La croissance démographique ou accroissement démographique ou variation totale de population est la différence entre l’effectif d’une population à la fin et au début d’une période donnée (généralement un an). Elle peut être exprimée par le taux d'évolution du nombre d’individus au sein d’une population par unité de temps et pour aussi n’importe quelle espèce (animale ou végétale, par exemple). Elle se décompose en deux parties distinctes : l’accroissement naturel ; le solde migratoire.

Population mondiale

La population mondiale est le nombre d'êtres humains vivant sur Terre à un instant donné. L’ONU l'estime à le . Elle avait été estimée à pour 2000, entre 1,55 et pour 1900, entre 0,813 et pour 1800 et entre 600 et d'habitants pour 1700. Cette augmentation de la population avec le temps tend cependant à ralentir avec une baisse mondiale de l'indice de fécondité, plus ou moins importante selon les pays. Le taux annuel de la croissance démographique de la population mondiale est tombé de 2,1 % au début des années 1960 à moins de 1 % en 2020.

Afficher plus

Séances de cours associées (40)

Validation et méthode k-Nearest Neighbors

Introduit des concepts d'apprentissage supervisé et la méthode k-Nearest Neighbors pour les tâches de classification et de régression.

Les bases du machine learning : l’apprentissage supervisé

Introduit les bases de l'apprentissage automatique supervisé, couvrant les types, les techniques, le compromis biais-variance et l'évaluation du modèle.

Introduction à l'apprentissage automatique : apprentissage supervisé

Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.

Deep Learning Modus Operandi

Explore les avantages des réseaux plus profonds dans l'apprentissage profond et l'importance de la surparamétrie et de la généralisation.

Apprentissage supervisé : classification et régression

Couvre l'apprentissage supervisé, la classification, la régression, les limites de décision, le surajustement, Perceptron, SVM et la régression logistique.

Afficher plus

Concepts associés (32)

Régression linéaire

Loi normale

Régression (statistiques)

Croissance démographique

Population mondiale

Afficher plus