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.
Introduit les principes fondamentaux de l'apprentissage statistique, couvrant l'apprentissage supervisé, la théorie de la décision, la minimisation des risques et l'ajustement excessif.
Explore les bases des réseaux neuraux, le problème XOR, la classification et les applications pratiques comme la prévision des données météorologiques.
Couvre les bases de la régression linéaire, y compris l'ingénierie des caractéristiques, l'apprentissage supervisé ou non supervisé, et minimise la fonction de coût.
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 et pondérée, les paramètres optimaux, les solutions locales, l'application SVR et la sensibilité des techniques de régression.
Explore les régressions paramétriques, en mettant l'accent sur la simplicité et la complexité des compromis de régression linéaire entre les modèles paramétriques et non paramétriques.
Couvre la modélisation de la dépendance temporelle dans les séries chronologiques, y compris la tendance, les composantes périodiques, la régression, la stationnarité, l'autocorrélation et les essais d'indépendance.
Couvre le chargement des ensembles de données, la compréhension des dimensions, les courbes d'apprentissage et l'impact de la régularisation sur les surajustements.
