Séance de cours

Support Vecteurs Machines: Théorie et Applications

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: Réseaux neuronaux

Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.

Machines vectorielles de soutien: SVM noyau

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.

Réseaux neuronaux : Algorithme du modèle Perceptron et de la rétropropagation

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

Modèles linéaires pour la classification

Explore les modèles linéaires pour la classification, y compris les modèles paramétriques, la régression et la régression logistique, ainsi que les mesures d'évaluation des modèles et les classificateurs de marge maximum.

SVM - Principe : Classeurs linéaires

Couvre l'histoire et les applications de SVM, ainsi que la construction de classificateurs linéaires et le concept de marge de classificateur.

Machine Learning : Fonctionnalités et sélection de modèles

Plongez dans l'importance des fonctionnalités, de l'évolution des modèles, des défis d'étiquetage et de la sélection des modèles dans l'apprentissage automatique.

Machines vectorielles de soutien: bases et applications

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

Introduction à l'apprentissage automatique: Aperçu du cours et bases

Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.

Apprentissage non supervisé : réduction de la dimensionnalité

Explore les techniques d'apprentissage non supervisées pour réduire les dimensions des données, en mettant l'accent sur l'APC, l'ADL et l'APC du noyau.

Réseaux neuronaux multicouches: Deep Learning

Couvre les fondamentaux des réseaux neuronaux multicouches et de l'apprentissage profond.

Machine vectorielle de soutien : stockage de modèles, utilisation de la mémoire et consommation d'énergie

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

Introduction à l'apprentissage automatique

Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.

Modèles linéaires pour la classification

Explore les modèles linéaires, la régression logistique, les métriques de classification, la MVS et leur utilisation pratique dans les méthodes de science des données.

Kernel K-moyens de regroupement

Explore Kernel K- signifie regroupement, interprétation des solutions, traitement des données manquantes, et sélection des ensembles de données pour l'apprentissage automatique.

Machines vectorielles de soutien: bases et applications

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

Réduction dimensionnelle

Introduit des réseaux de neurones artificiels et explore diverses techniques de réduction de la dimensionnalité telles que PCA, LDA, Kernel PCA et t-SNE.

Fondements de l'apprentissage automatique : Découverte de la structure, classification, régression

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

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.

Modèles linéaires pour la classification

Couvre les modèles linéaires pour la classification, y compris la MVS, les limites de décision, les vecteurs de support et la dualité de Lagrange.

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.