Concept
Modèle linéaire
Séances de cours associées (154)
Régression non paramétrique
Couvre la régression non paramétrique, le lissage par dispersion, les méthodes du noyau et le compromis biais-variance.
Modèles linéaires: Introduction
Introduit les modèles linéaires, la régression, la distribution gaussienne, la linéarité et la généralisation du modèle.
Régression logistique : prédiction de la végétation
Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.
Modèles linéaires généralisés
Explore les modèles linéaires généralisés, les méthodes bayésiennes, la détection comprimée et la perception dans les statistiques à haute dimension.
Régression Diagnostics
Couvre les diagnostics de régression pour les modèles linéaires, en soulignant limportance de vérifier les hypothèses et didentifier les valeurs aberrantes et les observations influentes.
Algorithme IWLS: Aperçu
Couvre lalgorithme IWLS pour obtenir des MLE dans les modèles de régression et discute de la statistique du rapport de vraisemblance et de la déviance dans lajustement du modèle.
Modèle linéaire général : matrices symétriques
Couvre le modèle linéaire général et le concept de matrices symétriques.
Régression linéaire : Fondements
Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.
Modèles linéaires généralisés : familles exponentielles et construction de modèles
Couvre les familles exponentielles, la construction de modèles et les fonctions de liens canoniques dans les modèles linéaires généralisés.
Modèles linéaires: LASSO et AMP
Couvre les problèmes linéaires, le LASSO et l'AMP dans l'apprentissage supervisé, y compris les modèles linéaires généralisés et les modèles N-dimensionnels.