Séance de cours
Autocorrélation et dépendance spatiale
Séances de cours associées (34)
Apprentissage supervisé : Régression linéaire
Couvre l'apprentissage supervisé en mettant l'accent sur la régression linéaire, y compris des sujets comme la classification numérique, la détection des pourriels et la prédiction de la vitesse du vent.
Régression du noyau : Moyenne pondérée et cartes des caractéristiques
Couvre la régression du noyau et les cartes de caractéristiques pour la séparabilité des données.
Modèles génériques : auto-attention et transformateurs
Couvre les modèles générateurs en mettant l'accent sur l'auto-attention et les transformateurs, en discutant des méthodes d'échantillonnage et des moyens empiriques.
Régression : Modèles linéaires
Explore la régression linéaire, les moindres carrés, les résidus et les intervalles de confiance dans les modèles de régression.
Dépendance spatiale : Autocorrélation et analyse
Introduit la dépendance spatiale, le paradoxe des statistiques classiques, et le biais dans la régression linéaire.
Dépendance spatiale : concepts et analyses
Explore la dépendance spatiale, l'autocorrélation spatiale et le biais dans l'analyse statistique en raison des relations spatiales.
Régression linéaire : Inférence statistique et régularisation
Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.
Régression linéaire : bases et estimation
Couvre les bases de la régression linéaire et la façon de résoudre les problèmes d'estimation en utilisant les moindres carrés et la notation matricielle.
Flexibilité des modèles et de l'échange de devises
S'insère dans le compromis entre la flexibilité du modèle et la variation des biais dans la décomposition des erreurs, la régression polynomiale, le KNN, et la malédiction de la dimensionnalité.
Autocorrélation spatiale: Moran's I
Explore le I de Moran pour évaluer le regroupement spatial dans les données géographiques en utilisant les précipitations comme exemple.