Au cours de cette semaine, les élèves apprendront comment fonctionnent les machines à vecteurs de support (SVM) et expérimenteront ces modèles en examinant des données de baseball et des données portables. À l'issue de cette semaine, les élèves auront acquis de l'expérience dans la construction de SVM avec des données réelles et seront en mesure de les appliquer à leurs propres problèmes.

Cette semaine sera consacrée aux méthodes interprétables d'apprentissage automatique, et plus particulièrement aux arbres de décision. Les étudiants apprendront comment ces modèles fonctionnent en général, et verront des utilisations spéciales des arbres de décision en combinaison avec des méthodes de régression. Au cours de cette semaine, les étudiants comprendront mieux comment la boîte à outils python sklearn peut être utilisée pour un large éventail de tâches d'apprentissage supervisé.

Dans cette semaine de cours, les étudiants apprendront comment de nombreux modèles différents peuvent être utilisés ensemble à travers des ensembles, y compris la méthode de la forêt aléatoire comme une utilisation courante, ainsi que des méthodes plus générales disponibles dans sklearn telles que l'empilage et le bagging. A la fin de cette semaine, les étudiants auront une large compréhension de la façon dont des méthodes telles que les SVM, les arbres de décision et la régression logistique peuvent être utilisées ensemble pour résoudre un problème avec des performances accrues.