Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Recherche

Afficher tous les résultats pour

Accueil

Séance de cours

Support Vecteurs Machines: Théorie et Applications

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (34)

Modèles linéaires pour la classification: Extensions multi-classes Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les modèles linéaires pour la classification multi-classes, en se concentrant sur la régression logistique et les mesures d'évaluation.

Réseaux neuronaux : Algorithme du modèle Perceptron et de la rétropropagation Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre le modèle perceptron et l'algorithme de rétropropagation dans les réseaux neuronaux.

Machines vectorielles de soutien: bases et applications Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les bases de Support Vector Machines, y compris la séparabilité linéaire, les hyperplans, les marges et les SVM non linéaires avec des noyaux.

Régression de la crête du noyau : Équivalence, Théorème du représentant et Trick du noyau Connectez-vous à Mediaspace pour regarder cette vidéo

Explore Kernel Ridge Regression, le Théorème de Représentateur, et le Kernel Trick dans l'apprentissage automatique.

Amandes : Transformations non linéaires Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les noyaux pour simplifier la représentation des données et la rendre linéairement séparable dans les espaces de fonctionnalités, y compris les fonctions populaires et les exercices pratiques.

Machine vectorielle de soutien : stockage de modèles, utilisation de la mémoire et consommation d'énergie Connectez-vous à Mediaspace pour regarder cette vidéo

Explore le stockage modèle SVM, l'utilisation de la mémoire, la complexité du temps de formation et l'estimation de la consommation d'énergie.

Machines vectorielles de soutien: bases et applications Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les bases des machines vectorielles de support, de la régression logistique, des limites de décision et de l'algorithme k-Nearest Neighbors.

Fondements de l'apprentissage automatique : Découverte de la structure, classification, régression Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les concepts fondamentaux d'apprentissage automatique, y compris la découverte de la structure, la classification et la régression.

Régression de la crête du noyau : formules équivalentes et théorème du représentant Connectez-vous à Mediaspace pour regarder cette vidéo

Explore Kernel Ridge Regression, formulations équivalentes, Représenter Theorem, Kernel astuce, et la prédiction avec les noyaux.

Règle discriminatoire gaussienne : Classification et limites Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la règle discriminatoire gaussienne pour la classification à l'aide de modèles de mélange gaussien et discute des limites de dessin et de la complexité du modèle.

Fondements de l'apprentissage automatique Connectez-vous à Mediaspace pour regarder cette vidéo

Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.

Machines vectorielles de soutien: SVM noyau Connectez-vous à Mediaspace pour regarder cette vidéo

Explore le SVM non linéaire en utilisant des noyaux pour la séparation des données dans des espaces de dimension supérieure, optimisant l'entraînement avec des noyaux pour éviter des transformations explicites.

Redescription SVM et Hilbert Spaces Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les espaces SVM et Hilbert pour résoudre des problèmes non linéaires à l'aide d'espaces produits internes et d'espaces Hilbert séparables.

Subquadratic Attention Mechanisms: State Space Models Vue d'ensemble Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les mécanismes d'attention subquadratiques et les modèles d'espace d'état, en se concentrant sur leurs fondements théoriques et leurs implémentations pratiques dans l'apprentissage automatique.

Page 2 sur 2