Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan du cours
Introduction aux applications appliquées Machine Learning
- Apprentissage statistique vs apprentissage automatique Itération et évaluation Compromis biais-variance
Régression
- Généralisations de régression linéaire et exercices de non-linéarité
Classification
- Rappel bayésien Naive Bayes Régression logistique K-Voisins les plus proches Exercices
Validation croisée et rééchantillonnage
- Approches de validation croisée Bootstrap Exercices
Apprentissage non supervisé
- Exemples de regroupement de K-means Défis de l'apprentissage non supervisé et au-delà des K-means
Pré requis
Connaissance du langage de programmation R. Une connaissance de base des statistiques et de l'algèbre linéaire est recommandée.
14 heures