Séance de cours
Médecine personnalisée : Ezekiel
Séances de cours associées (16)
Régression linéaire : vue d'ensemble de la régularisation
Explore les principes fondamentaux de la régression linéaire, en soulignant limportance des techniques de régularisation pour améliorer la performance du modèle.
Raisonnement incertain : Réseaux bayésiens
Explore le raisonnement incertain, les réseaux bayésiens et la résolution stochastique, soulignant l'importance de la logique probabiliste et de l'enlèvement.
Maximisation et regroupement des attentes
Couvre l'algorithme de maximisation des attentes et les techniques de regroupement, en mettant l'accent sur l'échantillonnage Gibbs et l'équilibre détaillé.
Inférence bayésienne : estimation optimale
Explore l'inférence bayésienne optimale, la dénigrement, l'estimation scalaire et les transitions de phase.
Estimation bayésienne
Couvre les principes fondamentaux de l'estimation bayésienne, en se concentrant sur l'application du théorème de Bayes dans l'estimation scalaire.
Extremes Bayésiens: Chaîne Markov Monte Carlo
Explore les techniques bayésiennes pour les problèmes de valeur extrême, y compris l'inférence de la chaîne Markov Monte Carlo et de Bayesian, en soulignant l'importance de l'information antérieure et l'utilisation des graphiques.
Filtre anti-spam : approche bayésienne
Couvre l'approche bayésienne du filtrage du spam et du calcul des probabilités d'identification des messages de spam.
Densité des États et inférence bayésienne en mathématiques computationnelles
Explorer la densité de calcul des états et l'inférence bayésienne à l'aide d'un échantillonnage d'importance, montrant une variance inférieure et la parallélisation de la méthode proposée.
Estimation du paramètre bayésien
Couvre un exemple d'estimation des paramètres bayésiens et le compromis entre le biais et la variance dans l'apprentissage supervisé.
Chaînes Monte Carlo Markov
Couvre l'apprentissage non supervisé, la réduction de dimensionnalité, SVD, l'estimation de bas grade, PCA, et les chaînes Monte Carlo Markov.