Explore les algorithmes de classification génératifs et discriminatifs, en mettant l'accent sur leurs applications et leurs différences dans les tâches d'apprentissage automatique.
Explore l'apprentissage de la fonction du noyau en optimisation convexe, en se concentrant sur la prédiction des sorties à l'aide d'un classificateur linéaire et en sélectionnant les fonctions optimales du noyau par validation croisée.
Explore la séparabilité linéaire dans les machines vectorielles de soutien, en se concentrant sur la séparation hyperplane et l'optimisation de la marge.
Déplacez-vous dans l'informatique optique en utilisant la diffusion de la lumière pour les tâches d'apprentissage automatique, en explorant la façonnage de front d'onde et les outils de calcul.
Explore l'optimisation robuste dans la radiothérapie et les machines vectorielles de soutien, en mettant l'accent sur les scénarios les plus défavorables et l'utilisation de règles de décision linéaires.
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.
Explore les modèles linéaires, la régression logistique, la descente en gradient et la régression logistique multi-classes avec des applications pratiques et des exemples.
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.
