Couvre les méthodes d'ensemble comme les forêts aléatoires et les baies de Naive de Gaussian, expliquant comment elles améliorent la précision de prédiction et estimer les distributions gaussiennes conditionnelles.
Couvre les probabilités conditionnelles, illustrant comment les événements influencent les probabilités des uns et des autres et leurs applications dans des scénarios réels.
Introduit les bases statistiques, y compris l'analyse des données et la théorie des probabilités, en mettant l'accent sur la tendance centrale, la dispersion et les formes de distribution.
Introduit des méthodes de noyau telles que SVM et régression, couvrant des concepts tels que la marge, la machine vectorielle de support, la malédiction de la dimensionnalité et la régression de processus gaussien.
Explore l'apprentissage supervisé en mettant l'accent sur les méthodes de régression, y compris l'ajustement des modèles, la régularisation, la sélection des modèles et l'évaluation du rendement.
Couvre la recherche probabiliste de l'information, les modèles de probabilité d'interrogation, la modélisation du langage et les algorithmes de rétroaction de pertinence.
Couvre les bases de la régression linéaire dans l'apprentissage automatique, en explorant ses applications dans la prédiction des résultats comme le poids de naissance et l'analyse des relations entre les variables.
Couvre la régression linéaire, lanalyse de corrélation et les fondamentaux de régression logistique, en mettant laccent sur la distinction entre la corrélation et la causalité.
Explore la séparabilité linéaire dans les machines vectorielles de soutien, en se concentrant sur la séparation hyperplane et l'optimisation de la marge.