Régression logistique : Inférence statistique et apprentissage automatique

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (31)

Page 3 sur 4

Intervalles de confiance : définition et estimation

Explique les intervalles de confiance, les méthodes d'estimation des paramètres et le théorème de la limite centrale dans l'inférence statistique.

Optimisation dans l'apprentissage automatique: Gradient Descent

Couvre l'optimisation dans l'apprentissage automatique, en mettant l'accent sur la descente par gradient pour la régression linéaire et logistique, la descente par gradient stochastique et des considérations pratiques.

Classification binaire linéaire

Couvre l'extension de la perte 0-1 aux fonctions de score à valeur réelle et à la régression logistique.

Régression linéaire : estimation et inférence

Explore l'estimation de régression linéaire, les hypothèses de linéarité et les tests statistiques dans le contexte de la comparaison de modèles.

Justification statistique des moindres carrés

Explore la justification statistique des moindres carrés et des modèles linéaires généralisés.

Inférence variable et réseaux neuraux

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

Modèles probabilistes pour la régression linéaire

Couvre le modèle probabiliste de régression linéaire et ses applications dans la résonance magnétique nucléaire et l'imagerie par rayons X.

Régression logistique : modélisation de la probabilité

Couvre la régression logistique pour la classification binaire en utilisant des méthodes de modélisation de probabilité et d'optimisation.

Modèles linéaires : Récapitulatif et régression logistique

Couvre les modèles linéaires, la classification binaire, la régression logistique et les mesures d'évaluation des modèles.

Modèles linéaires: Classification

Explore les modèles linéaires de classification, y compris la régression logistique, les limites de décision et les machines vectorielles de soutien.