Régression logistique

Séances de cours associées (500)

Les bases de l'optimisation

Introduit des bases d'optimisation, couvrant la régression logistique, les dérivés, les fonctions convexes, la descente de gradient et les méthodes de second ordre.

Algorithmes ML non linéaires

Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.

Méthodes de régression : Modèle de construction et d'inférence

Couvre l'inférence, la construction de modèles, la sélection de variables, la robustesse, la régression régularisée, les modèles mixtes et les méthodes de régression.

Analyse des niveaux de la mer de Venise

Analyse des niveaux de la mer de Venise de 1887 à 2017, en se concentrant sur les niveaux maximaux et l'estimation des tendances.

Régularisation de l'apprentissage automatique

Explore Ridge et Lasso Regression pour la régularisation dans les modèles d'apprentissage automatique, en mettant l'accent sur le réglage hyperparamétrique et la visualisation des coefficients des paramètres.

Régression du noyau : K-nearest Neighbors

Couvre le concept de régression du noyau et les voisins les plus proches de K pour rendre les données linéairement séparables.

Régression logistique: Modélisation des variables de réponse binaire

Explore la régression logistique pour les variables de réponse binaire, couvrant des sujets tels que l'interprétation du rapport de cotes et l'ajustement du modèle.

Fondements de l'apprentissage automatique

Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.

Modèles linéaires pour la classification: Partie 3

Explore les modèles linéaires pour la classification, y compris la classification binaire, la régression logistique, les limites de décision et les machines vectorielles de support.

Régression linéaire : Inférence moyenne-carré-erreur

Couvre le problème du MSE dans les modèles de régression linéaire, en mettant l'accent sur les méthodes optimales d'estimateur et de fusion des données.