17 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.

Qu’est-ce qui change pendant l’entraînement, et pourquoi le modèle généralise-t-il ?

Distinguer récompense immédiate, valeur à long terme, exploration et politique apprise avec un exemple à deux états.

Choisir encodeur figé, ajustement complet, adaptation de faible rang ou élève compact pour une tâche définie.

Calculer une séparation et une étape de boosting pour comprendre hypothèses, validation et limites des arbres.

Distinguer exactitude, fiabilité des probabilités et intérêt d’une action, puis définir les règles de calibration et d’abstention avec des données indépendantes.

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

Suivre une mise à jour des paramètres pour comprendre mini-lots, état de l’optimiseur, validation et reprise.

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.

Comprendre comment les cibles façonnent représentations, suivi des instructions et préférences, sans confondre préférence et vérité.

Construire un prédicteur linéaire, calculer les résidus et suivre ses mises à jour par gradient ; estimation fermée et inférence statistique sont traitées séparément.

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

Distinguer découverte de groupes et compression des représentations avec des exemples de k-means et d’ACP, et expliquer les limites liées aux distances, aux échelles et à la visualisation.

Comment les architectures représentent-elles les entrées et produisent-elles les sorties ?

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