Séance de cours
Régularisation de l'apprentissage automatique
Séances de cours associées (198)
Régularisation : Promouvoir des solutions optimales
Couvre la régularisation dans les problèmes les moins carrés, favorisant des solutions optimales tout en s'attaquant à des défis comme la non-unité, le mauvais conditionnement et le sur-ajustement.
Comparaison des algorithmes L1 et L0 + Greedy
Compare L1 et L0 pénalisation en régression linéaire avec des conceptions orthogonales en utilisant des algorithmes gourmands et des comparaisons empiriques.
Régression moderne: données d'orge de printemps
Couvre les moindres carrés pondérés itératifs, la régression de Poisson et l'analyse bayésienne des données sur l'orge de printemps à l'aide de modèles mixtes.
Régression linéaire fonctionnelle : Estimation et méthodes adaptatives
Par Angelina Roche couvre l'estimation adaptative et clairsemée dans les modèles de régression linéaire fonctionnelle.
Régression linéaire : bases et applications
Couvre les bases de la régression linéaire, de la formation aux applications du monde réel et aux scénarios multi-sorties.
Régression linéaire: Simple
Introduit une régression linéaire simple, les propriétés des résidus, la décomposition de la variance et le coefficient de détermination dans le contexte de la loi d'Okun.
Régression des prix des maisons: Exploration des hypothèses OLS
Explore les régressions OLS pour les prix des maisons, couvrant les valeurs aberrantes, les observations influentes, les spécifications du modèle et les stratégies de sélection.
Régression linéaire et pondérée : paramètres optimaux et solutions locales
Couvre la régression linéaire et pondérée, les paramètres optimaux, les solutions locales, l'application SVR et la sensibilité des techniques de régression.
Modèles linéaires : Les moindres carrés
Explore les modèles linéaires, les moindres carrés, les vecteurs gaussiens et les méthodes de sélection des modèles.
Essais de spécifications et apprentissage automatique
Explore les tests de spécification, l'apprentissage automatique, le surajustement, la régularisation, les tests de prédiction et la sélection de variables.