S'insère dans le compromis entre la flexibilité du modèle et la variation des biais dans la décomposition des erreurs, la régression polynomiale, le KNN, et la malédiction de la dimensionnalité.

Régression linéaire : estimation et inférence

Explore l'estimation de régression linéaire, les hypothèses de linéarité et les tests statistiques dans le contexte de la comparaison de modèles.

Les bases du machine learning : l’apprentissage supervisé

Introduit les bases de l'apprentissage automatique supervisé, couvrant les types, les techniques, le compromis biais-variance et l'évaluation du modèle.

Régression linéaire : Pearson Correlation

Couvre la corrélation Pearson, la direction de la relation, la forme, la force et lévaluation du modèle de régression.

Régression: Linéaire simple et multiple

Couvre la régression linéaire simple et multiple, y compris l'estimation des moindres carrés et le diagnostic du modèle.

Régression non paramétrique

Couvre la régression non paramétrique, le lissage par dispersion, les méthodes du noyau et le compromis biais-variance.

Régression multilinéaire : variables et effets normalisés

Explore la normalisation des variables et des effets dans l'analyse de régression multilinéaire.