Séance de cours
Introduction à OLS
Séances de cours associées (32)
Régression du noyau : Moyenne pondérée et cartes des caractéristiques
Couvre la régression du noyau et les cartes de caractéristiques pour la séparabilité des données.
Estimation des moindres carrés pondérés : Algorithme IRLS
Explore l'algorithme IRLS pour l'estimation pondérée des moindres carrés dans GLM.
Régression linéaire : Inférence statistique et régularisation
Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.
Régression polynomiale : vue d'ensemble
Couvre la régression polynomiale, l'impact de flexibilité, et le sous-ajustement contre le surajustement.
Apprentissage supervisé en économétrie financière
Explore l'apprentissage supervisé en économétrie financière, couvrant la régression linéaire, l'ajustement du modèle, les problèmes potentiels, les fonctions de base, la sélection de sous-ensembles, la validation croisée, la régularisation et les forêts aléatoires.
Modèles linéaires: Bases
Introduit des modèles linéaires dans l'apprentissage automatique, couvrant les bases, les modèles paramétriques, la régression multi-sorties et les mesures d'évaluation.
Régression linéaire : Inférence moyenne-carré-erreur
Couvre le problème du MSE dans les modèles de régression linéaire, en mettant l'accent sur les méthodes optimales d'estimateur et de fusion des données.
Régression II
Déplacez-vous dans l'analyse de régression, en mettant l'accent sur les vérifications de distribution, les moindres carrés pondérés et les tests d'hypothèse.
Régression linéaire : Les moindres carrés
Déplacez-vous dans la régression linéaire, en mettant l'accent sur l'estimation des moindres carrés, les résidus et la variance.
Variables instrumentales: Traiter l'erreur de mesure et la causalité inverse
Explore comment les variables instrumentales corrigent les biais à partir des erreurs de mesure et de la causalité inverse dans les modèles de régression.