Explore les arbres de décision, les ensembles, le CLT, l'inférence, l'apprentissage automatique, les méthodes de diagnostic, l'augmentation et l'estimation de la variance.
Couvre les bases de l'apprentissage automatique, l'apprentissage supervisé et non supervisé, diverses techniques comme les voisins k-nearest et les arbres de décision, et les défis de l'ajustement excessif.
Couvre les forêts de décision, la formation, les apprenants faibles, l'entropie, la stimulation, l'estimation de pose 3D et les applications pratiques.
Explore les effets isotopiques cinétiques et les relations linéaires d'énergie libre, en introduisant des méthodes d'apprentissage automatique pour les applications chimiques.
Introduit les bases de l'apprentissage automatique supervisé, couvrant les types, les techniques, le compromis biais-variance et l'évaluation du modèle.
Explore les extrêmes de la capacité d'interprétation dans l'apprentissage automatique, en mettant l'accent sur les arbres de décision clairsemés et les réseaux neuraux interprétables.
Couvre les apprenants faibles dans la stimulation, l'algorithme AdaBoost, les inconvénients, les apprenants faibles simples, les variantes de stimulation et les ondelettes Viola-Jones Haar-Like.
Discute des arbres de décision et des forêts aléatoires, en se concentrant sur leur structure, leur optimisation et leur application dans les tâches de régression et de classification.
Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.
Explore les arbres de décision pour la classification, l'entropie, le gain d'information, l'encodage à chaud, l'optimisation de l'hyperparamètre et les forêts aléatoires.
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.