Séance de cours
Estimation des risques : C.L. et Cp de Mallows
Séances de cours associées (31)
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.
Comprendre les attributs de données
Couvre l'analyse de divers attributs de données et modèles de régression linéaire.
Régression linéaire : Fondements
Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.
Régression linéaire : Fondements et applications
Explore les fondamentaux de la régression linéaire, la formation des modèles, l'évaluation et les mesures du rendement, en soulignant l'importance de la R2, du MSE et de l'EAM.
Régression linéaire : Fondements
Couvre les bases de la régression linéaire, de la classification binaire et multiclasse, et des mesures d'évaluation.
Systèmes linéaires: modélisation et identification
Couvre les encodeurs automatiques, la modélisation des systèmes linéaires, l'identification du système et les moindres carrés récursifs.
Inférence bayésienne : Estimation et démystification
Couvre les concepts de démystification, d'estimation et d'inférence bayésienne dans le contexte des statistiques bayésiennes.
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.
Construction du modèle: Régression linéaire
Explore la construction de modèles dans la régression linéaire, couvrant des techniques comme la régression par étapes et la régression par crête pour traiter la multicolinéarité.
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.