Séance de cours

Analyse statistique des réseaux : prévision des liens et biclustering

Description

Cette séance de cours de l'instructeur aborde les thèmes de la prédiction des liens et du biclustring dans le contexte de l'analyse statistique des données du réseau. Il se transforme en méthodes de notation pour la prédiction des liens, les modèles de régression logistique et l'utilisation de classificateurs pour prédire les bords manquants. De plus, il explore l'inférence causale dans les réseaux, l'estimation des effets du traitement et la variance de ces effets. La séance de cours traite également du biclustering, une technique de regroupement de lignes et de colonnes de matrices de données simultanément pour identifier les patrons. Diverses applications du biclustring dans différents domaines sont mises en évidence, soulignant l'importance d'identifier un comportement cohérent dans les matrices de données.

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.
Séances de cours associées (30)
Régression linéaire et régression logistique
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.
Régression logistique : prédiction de la végétation
Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.
Régression linéaire généralisée : classification
Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.
Régression logistique : interprétation et ingénierie des caractéristiques
Couvre la régression logistique, l'interprétation probabiliste et les techniques d'ingénierie des caractéristiques.
Modèles linéaires pour la classification: Extensions multi-classes
Couvre les modèles linéaires pour la classification multi-classes, en se concentrant sur la régression logistique et les mesures d'évaluation.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.