Couvre les fondamentaux de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur les tâches de classification d'images à l'aide de l'intelligence artificielle.
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.
Couvre les faits stylisés du rendement des actifs, des statistiques sommaires, des tests de la normalité, des placettes Q-Q et des hypothèses de marché efficaces.
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.
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 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.
Introduit les bases de l'apprentissage automatique, y compris la collecte de données, l'évaluation des modèles et la normalisation des fonctionnalités.
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 critères de performance dans l'apprentissage supervisé, en mettant l'accent sur la précision, le rappel et la spécificité dans l'évaluation des modèles.
Explore les fondamentaux de régression logistique, y compris les fonctions de coût, la régularisation et les limites de classification, avec des exemples pratiques utilisant scikit-learn.
