Catégorie de navigation
Cours
390 articles
Sous-catégories
Les maths indispensables pour le machine learning : guide complet
Algèbre linéaire, analyse, probabilités : découvrez toutes les maths indispensables pour comprendre le machine learning, avec des cours détaillés et des exemples concrets.
Fonctions convexes : cours complet et exercices corrigés
Fonctions convexes et concaves : définition, caractérisations (dérivée première, dérivée seconde, Hessienne), inégalité de Jensen, applications en ML et exercices corrigés.
ACP (analyse en composantes principales) : cours complet
Cours complet sur l'ACP : définition, matrice de covariance, valeurs propres, variance expliquée, lien avec la SVD. Applications ML, implémentation Python et exercices corrigés.
Le logarithme népérien : cours complet et exercices corrigés
Cours complet sur le logarithme népérien ln : définition, dérivée, propriétés algébriques, limites, croissances comparées, tableau de variations et exercices corrigés.
La fonction exponentielle : Cours complet et exercices corrigés
La fonction exponentielle expliquée pas à pas : définition, propriétés algébriques, dérivée, limites, croissances comparées et exercices corrigés niveau terminale.
La régression logistique : cours complet, maths et implémentation Python
Régression logistique : modèle, fonction sigmoïde, entropie croisée, lien avec le MLE, descente de gradient, implémentation Python et exercices corrigés.
La régression linéaire : cours complet, maths et implémentation Python
La régression linéaire est le modèle le plus fondamental du machine learning. C’est souvent le premier algorithme qu’on…
Comment évaluer un modèle de classification ? Les bonnes métriques
Comment évaluer un modèle de classification ?
Espérance d’une variable aléatoire : cours et exercices corrigés
Espérance d'une variable aléatoire : définition, formule, propriétés (linéarité), variance et 5 exercices corrigés. Cours complet niveau lycée et prépa.
Diagonalisation des matrices : cours complet et exercices corrigés
Cours complet sur la diagonalisation des matrices : définition, critères, méthode de calcul pas à pas, applications (puissances, systèmes différentiels). Exercices corrigés.
Les 6 algorithmes de classification en machine learning
Découvrez les 6 algorithmes de classification en machine learning : régression logistique, arbre de décision, random forest, SVM, KNN et Naive Bayes. Maths, code Python et exercices.
La fonction sigmoïde : Cours et exercices corrigés
La fonction sigmoïde σ(x) = 1/(1+e⁻ˣ) expliquée pas à pas : définition, propriétés, dérivée, applications en machine learning et 5 exercices corrigés.
Le théorème de Bayes : cours complet et exercices corrigés
Le théorème de Bayes expliqué : énoncé, démonstration, interprétation intuitive et 5 exercices corrigés. Lien avec les probabilités totales et le machine learning.
Valeurs propres et vecteurs propres : cours complet et exercices corrigés
Cours complet sur les valeurs propres et vecteurs propres : définition, polynôme caractéristique, calcul, multiplicités algébrique et géométrique. Exercices corrigés.
Matrices orthogonales : cours complet et exercices corrigés
Définition, propriétés (déterminant, groupe O(n), isométrie), interprétation géométrique et applications (théorème spectral, QR). Exercices corrigés.