Machine Learning Tutorial

Découvrez comment UMAP simplifie la visualisation des données à haute dimension grâce à des explications détaillées, des cas d'utilisation pratiques et des comparaisons avec d'autres méthodes de réduction de dimensionnalité, notamment t-SNE et PCA.

Ce guide explique l'intuition mathématique derrière la fonction tanh, la compare aux fonctions sigmoïde et ReLU, présente ses avantages et ses inconvénients, et explique comment l'implémenter efficacement dans l'apprentissage profond.

Ce guide explique les propriétés mathématiques de Softplus, ses avantages et ses inconvénients, sa mise en œuvre dans PyTorch, et quand il convient de passer de ReLU à Softplus.

Les réseaux neuronaux à propagation directe (FFNN) constituent la base de l'apprentissage profond, utilisé dans la reconnaissance d'images, les transformateurs et les systèmes de recommandation. Ce tutoriel complet sur les réseaux neuronaux feedforward (FFNN) explique leur architecture, leurs différences par rapport aux réseaux neuronaux multi-couches (MLP), les activations, la rétropropagation, des exemples concrets et leur implémentation dans PyTorch.

Découvrez la divergence KL, l'un des outils les plus courants et les plus essentiels utilisés dans l'apprentissage automatique.

Découvrez ce qu'est l'estimation du maximum de vraisemblance (MLE), comprenez ses fondements mathématiques, observez des exemples pratiques et apprenez à mettre en œuvre la MLE dans Python.

Apprenez à distinguer la sensibilité et la spécificité, ainsi que les cas d'utilisation appropriés pour chacune. Comprend des exemples pratiques.

Découvrez ce qu'est le sous-ajustement, comment diagnostiquer un modèle sous-ajusté, et découvrez des stratégies actionnables sur la façon de corriger le sous-ajustement, en veillant à ce que vos modèles capturent avec précision les modèles de données et fournissent des prédictions fiables.

Apprenez l'ingénierie des fonctionnalités grâce à ce guide pratique. Explorez des techniques telles que l'encodage, la mise à l'échelle et la gestion des valeurs manquantes en Python.

Découvrez le fonctionnement de la propagation vers l'avant dans les réseaux de neurones, des fondements mathématiques à la mise en œuvre pratique en Python. Maîtrisez ce concept essentiel de l'apprentissage profond avec des exemples de code et des visualisations.

Découvrez comment la fonction d'activation softmax transforme les logits en probabilités pour la classification multi-classes. Comparez softmax vs sigmoïde et mettez en œuvre en Python avec TensorFlow et PyTorch.

Découvrez la régression linéaire, son objectif et comment la mettre en œuvre à l'aide de la bibliothèque scikit-learn. Inclut des exemples pratiques.