Régularisation de l'apprentissage automatique

Cette séance de cours couvre les concepts de suréquipement, de régularisation et de validation croisée dans l'apprentissage automatique. Il explique comment gérer les données non linéaires, l'ajustement de la courbe polynomiale, l'expansion des fonctionnalités, les fonctions du noyau et les algorithmes kernelisés. Linstructeur discute de limportance de la complexité du modèle, des voisins les plus proches k, et de limpact des différentes valeurs k sur les erreurs dentraînement et de test. La séance de cours explore également les méthodes de validation croisée telles que le leave-one-out et le k-fold, soulignant leurs avantages et leurs inconvénients. Il se termine par des démonstrations sur la régression des crêtes, la régression des crêtes du noyau et l'incorporation de la régularisation dans la régression logistique et les machines vectorielles de support.