Fondements de l'apprentissage automatique

Cette séance de cours couvre les bases de l'apprentissage automatique, y compris l'apprentissage supervisé et non supervisé, la régression, la classification, la réduction de dimensionnalité et le regroupement. Il se substitue également à des paramètres de performance tels que l'erreur carrée moyenne et le taux d'erreur, ainsi qu'à des techniques d'optimisation comme la convexité et la descente du gradient. La séance de cours explore plus en détail les concepts de surajustement, de sous-ajustement et de régularisation, avec des exemples pratiques et des discussions sur l'évaluation des modèles et l'accordage des hyperparamètres.