Couvre les méthodes d'ensemble comme les forêts aléatoires et les baies de Naive de Gaussian, expliquant comment elles améliorent la précision de prédiction et estimer les distributions gaussiennes conditionnelles.
Explore les règles de voisinage les plus proches, les défis de l'algorithme k-NN, le classificateur Bayes et l'algorithme k-means pour le regroupement.
Explore l'apprentissage supervisé en économétrie financière, en mettant l'accent sur les algorithmes de classification comme Naive Bayes et la régression logistique.
Introduit le classificateur Naive Bayes, qui couvre les hypothèses d'indépendance, les probabilités conditionnelles et les applications dans la classification des documents et le diagnostic médical.
Explore l'apprentissage supervisé en matière de tarification des actifs, en mettant l'accent sur les défis de la prévision du rendement des actions et l'évaluation des modèles.
Explore les classificateurs gaussiens, la classification des textures, l'estimation des paramètres, l'apprentissage supervisé et les réseaux neuronaux profonds dans le traitement d'images.
Explore les algorithmes de classification génératifs et discriminatifs, en mettant l'accent sur leurs applications et leurs différences dans les tâches d'apprentissage automatique.
Couvre l'utilisation de machines vectorielles de support pour la classification multi-classes et l'importance des vecteurs de support dans les limites de classification de serrage.
Explore les méthodes de classification des documents, y compris k-Nearest-Neighbors, Naïve Bayes Classifier, les modèles de transformateurs, et l'attention multi-têtes.
Couvre l'inférence statistique, l'apprentissage automatique, les SVM pour la classification des pourriels, le prétraitement des courriels et l'extraction des fonctionnalités.
Explore les modèles linéaires pour la classification, y compris la classification binaire, la régression logistique, les limites de décision et les machines vectorielles de support.
Explore les défis d'apprentissage avec les déplacements de distribution et la géométrie de perturbation, en mettant l'accent sur des classificateurs robustes et la modélisation de variation naturelle.
Explore les mathématiques de l'apprentissage profond, les réseaux neuronaux et leurs applications dans les tâches de vision par ordinateur, en abordant les défis et le besoin de robustesse.
Couvre une introduction mathématique à l'apprentissage profond, y compris les défis, la puissance des classificateurs linéaires, l'échelle du modèle et les aspects théoriques.
