Sommaire: Machine learning, statistiques et programmation
1 Introduction
2 Clustering
2.1 k-means
2.2 Mélange de lois normales
2.3 Carte de Kohonen
3 Bases de Machine Learning
3.1 Réseaux de neurones
3.2 Classification à l’aide des plus proches voisins
3.3 Liens entre factorisation de matrices, ACP, k-means
3.4 Régression logistique, diagramme de Voronoï, k-Means
4 Natural Language Processing
4.1 Complétion
5 Métriques
5.1 Courbe ROC
5.2 Confidence Interval and p-Value
6 Distances
6.1 Distance d’édition
7 Graphes
7.1 Distance between two graphs
8 Algorithmes
8.1 Détection de segments
9 Pérégrinations d’un data scientist
9.1 Répartir en base d’apprentissage et de test
9.2 Corrélations non linéaires
9.3 File d’attente, un petit exemple
9.4 Optimisation avec données aléatoires
9.5 Régression linéaire et résultats numériques
9.6 Le gradient et le discret
9.7 Régression quantile
10 API
10.1 Machine Learning
10.2 Traitement du langage naturel
10.3 Source de données
10.4 Graphes
10.5 Image
11 Index
11.1 Index
12 Galleries
12.1 Le petit coin des data scientists
12.2 Images
12.3 Métriques
12.4 Machine Learning
12.5 NLP – Natural Language Processing
Bibliographie
Si le lien ne fonctionne pas correctement, veuillez nous contacter (mentionner le lien dans votre message)Machine learning, statistiques et programmation (4,83 MO) (Cours PDF)
