Concept
Statistical model validation
Séances de cours associées (176)
Régression linéaire : analyse des données sur l'ozone
Explore l'analyse de régression linéaire des données sur l'ozone à l'aide de modèles statistiques.
Éliminer les paramètres de nuisance : Inférence statistique
Couvre l'élimination des paramètres de nuisance dans l'inférence statistique à l'aide de Lemmas 14 et 15.
Analyse en composantes principales : interprétation géométrique et réduction dimensionnelle
Explore l'analyse des composantes principales pour la réduction des dimensions et la représentation des données dans une nouvelle base.
Éliminer les paramètres de nuisance : Lemmas dans l'inférence statistique
Explore l'élimination des paramètres de nuisance dans les modèles statistiques utilisant Lemmas 14 et 15.
Spectrométrie de masse des protéines et protéomique: moteurs de recherche et algorithmes de base de données
Explore la spectrométrie de masse des protéines, les moteurs de recherche et les méthodes de quantification en protéomique.
Régression linéaire et dorsale
Couvre la régression linéaire et de crête, le surajustement, les hyperparamètres et les ensembles d'essai.
Suréquipement, validation croisée et régularisation
Explore la complexité du modèle, le surajustement et le rôle de la validation croisée et de la régularisation dans l'apprentissage automatique.
Régularisation L1 : Solutions sparmées et réduction de dimensionnalité
Déplacez-vous dans la régularisation L1, les solutions éparses et la réduction de dimensionnalité dans le contexte de l'apprentissage automatique.
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.
Théorie statistique : inférence et suffisance
Explore l'inférence statistique, la suffisance et l'exhaustivité, en soulignant l'importance de statistiques suffisantes et le rôle de statistiques complètes dans la réduction des données.