Séance de cours

Représentation des données : méthodes d'apprentissage

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)

Méthodes de noyau: Machine Learning

Couvre les méthodes du noyau dans l'apprentissage automatique, en se concentrant sur le surajustement, la sélection du modèle, la validation croisée, la régularisation, les fonctions du noyau et la SVM.

2024 Lecture 3 PHYS-467

Apprentissage automatique: Physique et Données

Déplacez-vous dans l'intersection de la physique et des données dans les modèles d'apprentissage automatique, couvrant des sujets tels que les champs d'expansion des grappes atomiques et l'apprentissage non supervisé.

Régression logistique : prédiction de la végétation

Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.

Introduction à l'apprentissage automatique: modèles linéaires

Introduit des modèles linéaires pour l'apprentissage supervisé, couvrant le suréquipement, la régularisation et les noyaux, avec des applications dans les tâches d'apprentissage automatique.

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.

Méthodes de noyau: Machine Learning

Explore les méthodes du noyau dans l'apprentissage automatique, en mettant l'accent sur leur application dans les tâches de régression et la prévention du surajustement.

Introduction à la science des données

Présente les sujets de la science des données, les méthodes d'évaluation et l'organisation des cours pour le semestre.

Introduction à l'apprentissage automatique

Couvre les bases de l'apprentissage automatique, y compris l'apprentissage supervisé et non supervisé, la régression linéaire et la classification.

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.

Expansion des fonctionnalités et des amandes

Couvre l'expansion des fonctionnalités, les noyaux, SVM, et la classification non linéaire dans l'apprentissage automatique.

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.

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.

Régression : Modèles linéaires

Introduit une régression linéaire, des modèles linéaires généralisés et des modèles à effet mixte pour l'analyse de régression.

Apprentissage automatique: Techniques d'apprentissage supervisé et non supervisé

Couvre les techniques d'apprentissage supervisées et non supervisées dans l'apprentissage automatique, en mettant en évidence leurs applications dans la finance et l'analyse environnementale.

Modèles de mélange gaussien : Classification des données

Explore les signaux de débruitage avec des modèles de mélange gaussien et l'algorithme EM, l'analyse de signal EMG et la segmentation d'image à l'aide de modèles markoviens.

Analyse des documents : Modélisation des sujets

Explore l'analyse documentaire, la modélisation thématique et les modèles génériques pour la production de données dans l'apprentissage automatique.

Analyse des données immobilières: Statistiques descriptives

Explorer l'analyse des données immobilières au moyen de statistiques descriptives, de corrélations, de régressions et de méthodes de prévision.

Modèles linéaires: Partie 1

Couvre les modèles linéaires, y compris la régression, les dérivés, les gradients, les hyperplans et la transition de classification, en mettant laccent sur la minimisation des risques et des mesures dévaluation.

Regroupement: K-means & LDA

Couvre le clustering en utilisant les propriétés K-means et LDA, PCA, K-means, Fisher LDA et le clustering spectral.