Enseignement - CS 229

CS 229 - Apprentissage Automatique

Mon frère jumeau Afshine et moi avons créé cet ensemble de pense-bêtes illustrés sur l'Apprentissage Automatique couvrant le contenu du cours CS 229, pour lequel j'ai été assistant (TA) à l'automne 2018 à Stanford. Ils peuvent (espérons-le !) être utiles à tous les futurs étudiants de ce cours ainsi qu'à toute autre personne intéressée par l'Apprentissage Automatique.

Pense-bêtes

Apprentissage supervisé

Fonction de perte, descente de gradient, vraisemblance
Modèles linéaires, machines à vecteurs de support, apprentissage génératif
Méthodes d'arbres et d'ensemble, k-NN, théorie de l'apprentissage

PDF Web

Apprentissage non supervisé

Espérance-Maximisation, k-means, clustering hiérarchique
Métriques d'évaluation du clustering
Analyse en composantes principales, analyse en composantes indépendantes

PDF Web

Apprentissage profond

Architecture, fonction d'activation, rétropropagation, dropout
Couche convolutive, normalisation par lots, types de portes
Processus de décision markoviens, équation de Bellman, Q-learning

PDF Web

Conseils et astuces

Matrice de confusion, exactitude, précision, rappel, score F1, ROC
R au carré, CP de Mallow, AIC, BIC
Validation croisée, régularisation, compromis biais/variance, analyse d'erreurs

PDF Web

Rappels

Probabilités et statistiques

Axiomes de probabilité, permutation, règle de Bayes, indépendance, probabilité conditionnelle
Variable aléatoire, espérance, variance
Théorème central limite, estimation de paramètres

PDF Web

Algèbre linéaire et calcul

Matrices principales, multiplication, transposée, inverse, trace, déterminant
Valeur propre, vecteur propre, norme, gradient, hessienne
Matrice définie semi-positive, théorème spectral, décomposition en valeurs singulières

PDF Web

Vous aimeriez voir ces pense-bêtes dans votre langue maternelle ? Vous pouvez nous aider à les traduire sur GitHub !