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.
Couvre les fondamentaux de l'apprentissage automatique avancé, mettant l'accent sur les applications pratiques par des exercices et des projets interactifs.
Explore l'analyse des composants principaux pour la réduction de la dimensionnalité dans l'apprentissage automatique, en présentant ses capacités d'extraction de fonctionnalités et de prétraitement de données.
Explique les étapes d'affectation et de mise à jour dans le clustering K-means, la minimisation des fonctions de perte et les effets métriques de distance.
Couvre l'évaluation des méthodes de regroupement, y compris le regroupement des moyennes K et l'utilisation de mesures d'évaluation pour déterminer le nombre optimal de regroupements.
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.
Explique le classificateur K-Nearest Neighbors, en attribuant des étiquettes basées sur les points les plus proches et en lissant le bruit dans les étiquettes.
