Séance de cours
Cartographie topographique et GLM I
Séances de cours associées (36)
Essentiels de la régression linéaire
Couvre l'essentiel de la régression linéaire, en se concentrant sur l'utilisation de multiples variables explicatives quantitatives pour prédire un résultat quantitatif.
Introduction à l'apprentissage automatique : apprentissage supervisé
Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.
Régression linéaire : analyse des données sur l'ozone
Explore l'analyse de régression linéaire des données sur l'ozone à l'aide de modèles statistiques.
Régression logistique : Fondements et applications
Explore les fondamentaux de régression logistique, y compris les fonctions de coût, la régularisation et les limites de classification, avec des exemples pratiques utilisant scikit-learn.
Évaluer l’importance et l’adéquation
Couvre les intervalles de confiance, R2, et des exemples sur l'évolution de la chaleur du ciment et les relations puissance-MPG de la voiture.
Régression: Linéaire simple et multiple
Couvre la régression linéaire simple et multiple, y compris l'estimation des moindres carrés et le diagnostic du modèle.
Inférence variable et réseaux neuraux
Couvre l'inférence variationnelle et les réseaux neuronaux pour les tâches de classification.
Régression logistique : fonctions de coût et optimisation
Explore la régression logistique, les fonctions de coût, la descente en gradient et la modélisation de probabilité à l'aide de la fonction sigmoïde logistique.
Régularisation de l'apprentissage automatique
Explore Ridge et Lasso Regression pour la régularisation dans les modèles d'apprentissage automatique, en mettant l'accent sur le réglage hyperparamétrique et la visualisation des coefficients des paramètres.
Fondements de l'apprentissage automatique : régularisation et validation croisée
Explore le surajustement, la régularisation et la validation croisée dans l'apprentissage automatique, soulignant l'importance de l'expansion des fonctionnalités et des méthodes du noyau.