Régression linéaire : bases et estimation

Dans cours

DEMO: excepteur ea aliquip pariatur

Nulla mollit velit ea do nostrud. Mollit proident ut proident culpa nulla ad culpa laborum labore ut veniam voluptate ex nisi. Ut dolore anim aliquip amet elit proident nostrud do est veniam eu commodo. Sit dolor excepteur dolore fugiat mollit irure veniam ad sint reprehenderit amet exercitation. Cillum tempor proident proident nulla culpa tempor cupidatat nostrud minim laborum. Ad aliqua enim amet et.

Connectez-vous pour voir cette section

Description

Cette séance de cours couvre les principes fondamentaux de la régression linéaire, en se concentrant sur les bases de l'apprentissage non supervisé, la réduction de la dimensionnalité, et le processus d'estimation et d'inférence. L'instructeur explique comment résoudre les problèmes de régression linéaire en utilisant les moindres carrés et la notation matricielle.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant

incididunt et eu

Ex incididunt velit ut culpa aute deserunt magna id dolore ex exercitation exercitation tempor. Magna ea consectetur in consectetur elit ad in cillum aliquip laborum duis occaecat minim. Incididunt exercitation consectetur proident proident consequat esse esse ea do incididunt sit qui nostrud non. Laborum exercitation veniam officia velit incididunt. Aliqua dolore labore culpa do. Duis laborum velit consequat dolore magna anim officia do adipisicing dolore do do incididunt.

Connectez-vous pour voir cette section

Source officielle

https://mediaspace.epfl.ch/media/0_bbo35eyu

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Inférence statistique: Test statistique

Data collection: Échantillonnage (statistiques)

Mathématiques

Algèbre: Algèbre linéaire

Séances de cours associées (252)