Séance de cours
Régression logistique : estimation maximale de vraisemblance
Séances de cours associées (34)
Régression linéaire probabiliste
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Inférence maximale de vraisemblance
Explore linférence de vraisemblance maximale, comparant les modèles basés sur les ratios de vraisemblance et démontrant avec un exemple de pièce de monnaie.
Régression logistique : modélisation et optimisation de la probabilité
Explore la régression logistique pour la classification binaire, couvrant la modélisation des probabilités, les méthodes d'optimisation et les techniques de régularisation.
Famille Exponentielle
Couvre les propriétés de la famille exponentielle et l'estimation des paramètres.
Impact de la covariable binaire: 2x2 Tableaux de contingence
Explore l'impact d'une covariable binaire sur les réponses binaires à l'aide de tableaux 2x2.
Critères de sélection du modèle : AIC, BIC, Cp
Explore les critères de sélection des modèles comme l'AIC, le BIC et le Cp en statistique pour la science des données.
Théorie statistique : estimation maximale de vraisemblance
Explore la cohérence et les propriétés asymptotiques de l’estimateur de vraisemblance maximale, y compris les défis à relever pour prouver sa cohérence et construire des estimateurs de type MLE.
Probabilité et statistiques
Couvre p-quantile, approximation normale, distributions articulaires et familles exponentielles en probabilité et en statistiques.
Analyse des choix discrets
Introduit une analyse de choix discrète, couvrant l'échelle, la profondeur, la collecte de données et l'inférence statistique.
Spin Glasses et estimation bayésienne
Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.