Se penche sur les techniques avancées de prétraitement des données, qui couvrent l'encodage catégorique, le traitement des données manquantes et les ensembles de données déséquilibrés, en mettant l'accent sur les mesures des performances et la comparaison des classificateurs.
Explore l'évaluation des modèles d'apprentissage automatique à l'aide de mesures de sortie, de bootstrap et de performance comme le rappel et la précision.
Explore les mesures de surajustement et de précision dans la classification des images, en soulignant limportance de la généralisation du modèle et de la précision optimale.
Explore les protocoles d'évaluation dans l'apprentissage automatique, y compris le rappel, la précision, la précision et la spécificité, avec des exemples du monde réel comme les tests COVID-19.
Explore les sources d'injustice dans l'apprentissage automatique, l'importance des mesures d'équité et l'évaluation des prédictions des modèles à l'aide de diverses mesures d'équité.
Explore les critères de performance dans l'apprentissage supervisé, en mettant l'accent sur la précision, le rappel et la spécificité dans l'évaluation des modèles.
Introduit une régression linéaire et logistique, couvrant les modèles paramétriques, la prédiction multi-sorties, la non-linéarité, la descente de gradient et les applications de classification.
Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Explore les modèles linéaires, la régression logistique, la descente en gradient et la régression logistique multi-classes avec des applications pratiques et des exemples.
Explore lutilisation des modèles de mélange gaussien pour la transition du clustering à la classification, couvrant la classification binaire, lestimation des paramètres et le classificateur Bayes optimal.
