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
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.
Les formations ouvertes requièrent plus de 3 participants.

Cours Similaires

Catégories Similaires