Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.

Sélection du modèle: Non-Nested Model Selection

Explore la sélection des modèles, les critères, les compromis biais / variance et les méthodes de validation croisée.

Échanges de devises

Explore le sous-ajustement, le surajustement et le compromis entre les variables de biais dans les modèles d'apprentissage automatique.

Inférence statistique : Paramètres de sélection et de nuisance du modèle

Couvre la sélection des modèles, les paramètres de nuisance et les méthodes d'inférence d'ordre supérieur dans l'inférence statistique.

Sélection du modèle : AIC et BIC

Explore la sélection des modèles en utilisant les critères AIC et BIC, en répondant à différentes questions et à l'importance de la parcimonie dans la sélection du meilleur modèle.

Les critères d'information de Takeuchi et Akaike

Couvre l'estimation de l'optimisme pour les prédicteurs via des modèles statistiques et l'application de l'AIC à la régression linéaire.

Évaluation du modèle

Explore le sous-ajustement, le surajustement, les hyperparamètres, le compromis biais-variance et l'évaluation de modèle dans l'apprentissage automatique.