Explore la sélection de variables à travers des méthodes de filtrage et de corrélation dans l'apprentissage automatique, en mettant l'accent sur la quantification de la pertinence et la mesure des relations avec l'étiquette.
Explore la malédiction de la dimensionnalité, les méthodes de sélection variables, le coefficient de détermination et les limites des techniques de filtrage.
Explorer l'analyse des composantes principales pour la réduction des dimensions des ensembles de données et ses implications pour les algorithmes d'apprentissage supervisés.
Explore l'apprentissage supervisé en mettant l'accent sur les méthodes de régression, y compris l'ajustement des modèles, la régularisation, la sélection des modèles et l'évaluation du rendement.
Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.
Explore la sélection, l'évaluation et la généralisation des modèles dans l'apprentissage automatique, en mettant l'accent sur l'estimation impartiale des performances et les risques de surapprentissage.
Couvre l'analyse de la variance, de la construction du modèle, de la sélection des variables et de l'estimation des fonctions dans les méthodes de régression.
