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.
Introduit des concepts d'apprentissage automatique appliqués tels que la collecte de données, l'ingénierie des caractéristiques, la sélection des modèles et les mesures d'évaluation du rendement.
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.
Explorer l'interprétation des modèles de régression logistique, l'estimation des paramètres et la comparaison des modèles à l'aide de tests de rapport de probabilité.
Explore la collecte de données, la sélection des caractéristiques, la construction de modèles et l'évaluation des performances dans l'apprentissage automatique, en mettant l'accent sur l'ingénierie des caractéristiques et la sélection des modèles.
Couvre les problèmes de surajustement, de sélection de modèle, de validation, de validation croisée, de régularisation, de régression du noyau et de représentation des données.
Se penche sur les défis et les possibilités de l'apprentissage automatique dans la modélisation du risque de crédit, en comparant les modèles statistiques traditionnels avec les méthodes d'apprentissage automatique.
Comparer l'apprentissage automatique avec les modèles traditionnels de modélisation du risque de crédit, en mettant l'accent sur les relations non linéaires et les améliorations prédictives.
Couvre le lien entre les modèles statistiques et les théories de champ conformes unitaires, en se concentrant sur les points critiques et le rôle des champs locaux.
