Séance de cours

Introduction à l'analyse 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)

Bases de l'apprentissage automatique

Introduit les bases de l'apprentissage automatique, couvrant l'apprentissage supervisé et non supervisé, la régression linéaire et la compréhension des données.

Études d'observation et d'expérimentation

Couvre la fiabilité des études d'observation et d'expérimentation, la sélection des participants, le biais des données et l'exactitude des résultats.

Types de variables et distribution multinomiale

Introduit les types de variables, la distribution multinomiale, les caractéristiques des données, les formes des densités, la corrélation et les méthodes de visualisation des données.

La causalité et l'apprentissage automatique invariant

Explore la causalité, la corrélation et les corrélations fallacieuses dans l'apprentissage automatique, en mettant l'accent sur l'atténuation des biais et l'invariance entre les environnements.

Statistiques : Variables aléatoires

Couvre les variables aléatoires, les fonctions de densité de probabilité, la distribution gaussienne et la corrélation dans les statistiques.

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.

L'apprentissage automatique à l'échelle atomique

Explore des modèles simples, l'évaluation de la structure électronique et l'apprentissage automatique à l'échelle atomique.

Introduction au traitement de l'image pour l'observation de la Terre

Couvre les bases du traitement de l'image pour l'observation de la Terre, y compris les objectifs du cours, les détails de l'administration, les aspects interdisciplinaires et les concepts clés du traitement de l'image.

Concepts de dépendance et Copulas

Explore les concepts de dépendance, les copules, les corrélations fallacieuses et les corrélations de classement dans les statistiques.

Apprentissage des lois de contrôle avec DS

Explore les lois de contrôle d'apprentissage avec Dynamical Systems pour robots, en mettant l'accent sur les problèmes de régression et les techniques d'ajustement.

Introduction à l'apprentissage automatique: Principes fondamentaux de la régression

Présente les principes fondamentaux de la régression dans l'apprentissage automatique, couvrant la logistique des cours, les concepts clés et l'importance des fonctions de perte dans l'évaluation des modèles.

Décomposition de la valeur singulière : théorie et applications

Explore la théorie de la décomposition de la valeur singulière, les solutions de systèmes linéaires, les moindres carrés et les concepts d'ajustement des données.

Essentiels de la régression linéaire

Couvre l'essentiel de la régression linéaire, en se concentrant sur l'utilisation de multiples variables explicatives quantitatives pour prédire un résultat quantitatif.

Comprendre les statistiques et le design expérimental

Couvre la théorie des probabilités de base, la théorie de la détection des signaux, les statistiques et les méta-statistiques, expliquant la taille des effets, la puissance et les tests d'hypothèses.

Variance, Covariance et Corrélation

Explore la variance, la covariance et la corrélation dans les statistiques, essentielles pour l'analyse des données.

Régression linéaire : bases et applications

Couvre les bases de la régression linéaire, y compris la régression 1D, les dérivés, les gradients et les applications en apprentissage automatique.

Dépendance et corrélation

Explore la dépendance, la corrélation et les attentes conditionnelles en matière de probabilité et de statistiques, en soulignant leur importance et leurs limites.

Régression & Linéaires Systemed

Couvre les principes de la régression et des systèmes linéaires, en mettant l'accent sur les méthodes itératives.

Revue du Machine Learning

Couvre un examen des concepts d'apprentissage automatique, y compris l'apprentissage supervisé, la classification vs régression, les modèles linéaires, les fonctions du noyau, les machines vectorielles de soutien, la réduction de la dimensionnalité, les modèles génératifs profonds et la validation croisée.

Amandes de signature : Ensembles de caractéristiques universelles pour la science des données

Explore les noyaux de signature, les cartes de caractéristiques, les algèbres tensor, et leurs applications dans la science des données et l'apprentissage automatique.