11 documents tagués avec "machine-learning"

Une carte fondamentale des vecteurs, transformations linéaires, factorisations matricielles et applications aux données.

Des classifieurs génératifs gaussiens dont les hypothèses de covariance partagée ou propre à chaque classe produisent des frontières linéaires ou quadratiques.

Une carte allant de la formulation du problème et de l’évaluation aux méthodes supervisées, non supervisées, séquentielles et profondes.

Un parcours à travers les MLP, les activations modernes, les RNN, l'attention et les Transformers qui traite également les fuites et la dérive de distribution comme parties intégrantes de l'évaluation des modèles.

Un vocabulaire concis pour les modèles, les pertes, le risque empirique, la vraisemblance, la régularisation, l’optimisation et la généralisation.

Une carte de sélection des prédicteurs linéaires, de la régularisation, des liens avec la classification et des transformations de variables.

Une carte fondamentale des ensembles convexes, fonctions convexes, dualité et problèmes d'optimisation assortis de garanties globales.

Pourquoi la perte logarithmique mesure l’erreur de classification probabiliste et comment le calcul la relie à l’optimisation de vraisemblance.

Le modèle de prédiction linéaire, l’objectif d’erreur quadratique, les méthodes de résolution et les hypothèses qui déterminent le sens de ses coefficients.

Classification linéaire multiclasse avec logits, probabilités softmax, entropie croisée et limites claires par rapport aux tâches multilabel.

Une carte fondamentale pour mesurer l'incertitude, l'information, les limites de compression et les différences entre distributions.