Séance de cours

Sélection du modèle: Non-Nested Model Selection

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)

Les bases du machine learning : l’apprentissage supervisé

Introduit les bases de l'apprentissage automatique supervisé, couvrant les types, les techniques, le compromis biais-variance et l'évaluation du modèle.

SVM et Feature Maps

Explore les SVM, les cartes de fonctionnalités et l'importance de trouver la solution à la marge maximale pour les problèmes de classification.

Sélection du modèle : Généralisation et Validation

Explore la généralisation, la sélection des modèles et la validation dans l'apprentissage automatique, en soulignant l'importance de l'évaluation impartiale des modèles.

Distributions d'échantillonnage : Estimations et écarts

Couvre l'estimation des paramètres, le MSE, l'information Fisher, et le théorème Rao-Blackwell.

Régression linéaire et régression logistique

Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.

Les critères d'information de Takeuchi et Akaike

Couvre l'estimation de l'optimisme pour les prédicteurs via des modèles statistiques et l'application de l'AIC à la régression linéaire.

Régression non paramétrique: Techniques de lissage

Explore les techniques de régression non paramétrique, y compris les splines, le compromis entre les variables de biais, les fonctions orthogonales, les ondulations et les estimateurs de modulation.

Mesures pour la classification

Couvre l'échantillonnage, la validation croisée, la quantification des performances, la détermination optimale du modèle, la détection des surajustements et la sensibilité de classification.

Évaluation du modèle : métriques et sélection

Explore les mesures d'évaluation des modèles, les techniques de sélection, le compromis biais-variance et la gestion des distributions de données biaisées dans l'apprentissage automatique.

Modèle de résolution de base de données

Couvre la résolution, l'hydrologie, les SIG, les connexions, les transitions et la validation des bases de données à l'aide de divers ensembles de données.

Algorithmes ML non linéaires

Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.

Utiliser la validation croisée : construire un prédicteur final

Couvre l'interprétation des estimations du risque de validation croisée et la construction d'un prédicteur final à partir des résultats de validation croisée.

Régression linéaire : analyse des données sur l'ozone

Explore l'analyse de régression linéaire des données sur l'ozone à l'aide de modèles statistiques.

Modèles linéaires: Bases

Introduit des modèles linéaires dans l'apprentissage automatique, couvrant les bases, les modèles paramétriques, la régression multi-sorties et les mesures d'évaluation.

Sélection et évaluation du modèle : Dilemma à variation de biais, estimation des crêtes

Explore le sur-apprentissage, la généralisation et le sous-apprentissage dans les modèles d'apprentissage automatique.

Recommender Systems: Aperçu et méthodes

Explore l'évolution des recommandateurs, du filtrage collaboratif, du prix Netflix, de la formation sur les modèles et des techniques d'optimisation.

Échange entre les deux parties dans le cadre de l'estimation de la crête

Explore le compromis entre les variables de biais dans l'estimation des crêtes, montrant comment un peu de biais peut augmenter l'erreur carrée moyenne en réduisant la variance.

Estimation des paramètres

Introduit des concepts d'inférence statistique, en se concentrant sur l'estimation des paramètres, les estimateurs non biaisés et l'estimation moyenne à l'aide de variables aléatoires indépendantes.

Méthodes de sélection des variables

Explorer les méthodes de sélection variable et l'équilibre entre les biais et les variables dans la modélisation statistique.

Régression moderne: surdispersion et évaluation du modèle

Explore les techniques de surdispersion, d'évaluation de modèle et de régression pour les données de comptage.