Régression logistique

Séances de cours associées (500)

Évoluer vers des données massives: Fondements de l'étincelle

Couvre les fondamentaux de l'échelle vers des données massives à l'aide de Spark, en mettant l'accent sur les DDR, les transformations, les actions, l'architecture Spark, et la boîte à outils d'apprentissage automatique de Spark.

Inférence variable et réseaux neuraux

Couvre l'inférence variationnelle et les réseaux neuronaux pour les tâches de classification.

Distributions familiales exponentielles

Couvre les distributions familiales exponentielles, les paramètres naturels, les statistiques suffisantes et la régression logistique.

K-Les voisins les plus proches et l'extension de la fonctionnalité

Introduit la méthode k-Nearest Neighbors et l'expansion des fonctionnalités pour l'apprentissage non linéaire de la machine par des transformations polynômes.

Géométrie et moindres carrés

Discute de la géométrie des moindres carrés, en explorant les perspectives des lignes et des colonnes, les hyperplans, les projections, les résidus et les vecteurs uniques.

Régression logistique : interprétation et comparaison du modèle

Explorer l'interprétation des modèles de régression logistique, l'estimation des paramètres et la comparaison des modèles à l'aide de tests de rapport de probabilité.

Introduction aux opérateurs proximaux

Introduit des opérateurs proximaux et des méthodes de gradient conditionnel pour les problèmes convexes composites de minimisation dans l'optimisation des données.

Soutenez la régression vectorielle : Nu-SVR et RVR

Explore des sujets avancés dans l'apprentissage automatique, en se concentrant sur les extensions SVR et l'optimisation hyperparamétrique, y compris Nu-SVR et RVR.

Scaling up : Spark et Big Data

Explore les défis du traitement des données volumineuses et présente Spark en tant que solution.

Régression linéaire : Fondements et applications

Explore les fondamentaux de la régression linéaire, la formation des modèles, l'évaluation et les mesures du rendement, en soulignant l'importance de la R2, du MSE et de l'EAM.