Introducción a Machine Learning

via edX

Aperçu

Dans ce cours, nous aborderons l'apprentissage automatique sous un angle algébrique. Quatre thèmes principaux seront discutés :

Tout d'abord, nous introduirons les modèles de régression et classification linéaire, en commençant par la régression linéaire multivariée, ses applications et comment éviter le sur-apprentissage en utilisant la régularisation. Ensuite, la régression logistique sera présentée comme l'une des méthodes de classification les plus pertinentes.

La régression logistique se connectera avec la formulation de l'architecture d'un réseau neuronal artificiel, car le neurone logistique, qui peut être interprété comme l'unité de base pour les modèles de classification avec réseaux neuronaux, équivaut à une régression logistique.

Le troisième thème se concentre sur l'étude des méthodologies utilisées pour l'entraînement correct des réseaux neuronaux, tant pour la régression que pour la classification. Nous introduirons également des méthodes pour identifier les modèles avec la meilleure performance.

Enfin, nous décrirons des méthodes pour l'apprentissage non supervisé. En particulier, nous aborderons l'ACP pour la réduction de la dimensionnalité et k-means pour les modèles de regroupement. De plus, nous discuterons des techniques pour évaluer la performance de ces modèles. Le cours abordera également l'utilisation des réseaux neuronaux dans l'apprentissage non supervisé, en expliquant les Réseaux de Hopfield pour le stockage de motifs via la mémoire associative et les cartes auto-organisées ou réseaux de Kohonen pour identifier des structures dans les données et réduire la dimensionnalité.

Université : edX

Catégories : Cours de Machine Learning, Cours de Réseaux Neuronaux, Cours d'Apprentissage Non Supervisé, Cours d'Analyse de Régression, Cours d'Algèbre