Séance de cours

Dragage des données

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Séances de cours associées (64)

Jeux de formation et de test

Souligne l'importance de séparer les données de formation et de test pour les modèles d'apprentissage automatique.

Classification des images : Mesures de suréquipement et de précision

Explore les mesures de surajustement et de précision dans la classification des images, en soulignant limportance de la généralisation du modèle et de la précision optimale.

Évaluation du modèle

S'insère dans l'évaluation du modèle, couvrant la théorie, l'erreur de formation, l'erreur de prédiction, les méthodes de rééchantillonnage et les critères d'information.

Régression linéaire et descente progressive

Couvre la régression linéaire, la descente par gradient, le surajustement et la régression par crête, entre autres concepts.

Overfitting dans l'apprentissage supervisé: études de cas et techniques

Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.

Utiliser la validation croisée : construire un prédicteur final

Couvre l'interprétation des estimations du risque de validation croisée et la construction d'un prédicteur final à partir des résultats de validation croisée.

Quantifier la performance: mauvaise classification et F-Measure

Couvre la quantification de la performance par le biais de vrais positifs, de faux négatifs et de faux positifs dans l'apprentissage automatique.

Recommender Systems: Aperçu et méthodes

Explore l'évolution des recommandateurs, du filtrage collaboratif, du prix Netflix, de la formation sur les modèles et des techniques d'optimisation.

Les classificateurs ImageNet se généralisent-ils?

Examine la généralisation des classificateurs ImageNet, les applications critiques pour la sécurité, le surajustement et la fiabilité des modèles d'apprentissage automatique.

Représentations et traitement des données

Explore les représentations de données, le surajustement, la sélection des modèles, la validation croisée et les défis de données déséquilibrés.

Sélection du modèle : évaluation et généralisation

Explore la sélection, l'évaluation et la généralisation des modèles dans l'apprentissage automatique, en mettant l'accent sur l'estimation impartiale des performances et les risques de surapprentissage.

Régularisation de l'apprentissage automatique

Explore le surajustement, la régularisation et la validation croisée dans l'apprentissage automatique, en soulignant l'importance de la complexité du modèle et des différentes méthodes de validation croisée.

Méthodes de régularisation : Formation et Validation Base

Explore les méthodes de régularisation dans les réseaux neuronaux, en soulignant l'importance des bases d'entraînement et de validation pour éviter les surajustements.

Choix discret et apprentissage automatique: deux méthodologies complémentaires MOOC: Sujets choisis sur le choix discret

Explore les choix discrets et l'apprentissage automatique comme méthodes complémentaires, en discutant de l'apprentissage supervisé, des avantages du modèle, des pièges, des biais d'agrégation, de la classification probabiliste et des données de panel.

Tests de prédiction MOOC: Introduction aux modèles de choix discrets

Explore la validation hors échantillon et la méthodologie de validation croisée pour tester des modèles prédictifs.

Classement avec GMM et kNN

Couvre la classification à l'aide de GMM et kNN, explorant les limites, les erreurs et les exercices pratiques.

Analyse des documents : Modélisation des sujets

Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.

Méthodes du noyau

Couvre les surajustements, la sélection des modèles, les méthodes de validation, les fonctions du noyau et les concepts SVM.

Régression linéaire

Couvre le concept de régression linéaire, y compris la régression polynomiale et la sélection des hyperparamètres.

Sélection du modèle: Non-Nested Model Selection

Explore la sélection des modèles, les critères, les compromis biais / variance et les méthodes de validation croisée.