Modèles génératifs : Régression logistique et distribution gaussienne

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (32)

Page 1 sur 4

Estimation bayésienne

Couvre les principes fondamentaux de l'estimation bayésienne, en se concentrant sur l'application du théorème de Bayes dans l'estimation scalaire.

Inférence bayésienne : estimation optimale

Explore l'inférence bayésienne optimale, la dénigrement, l'estimation scalaire et les transitions de phase.

Modèles de mélange : Estimation basée sur la simulation

Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.

Modèles linéaires généralisés : un bref examen

Fournit un aperçu des modèles linéaires généralisés, en mettant l'accent sur les modèles de régression logistique et de Poisson, et leur mise en oeuvre dans R.

Régression logistique : Inférence statistique et apprentissage automatique

Couvre la régression logistique, la fonction de vraisemblance, la méthode de Newton et l'estimation des erreurs de classification.

Paradoxe bus rouge/bus bleu

Explore le paradoxe du bus rouge/bus bleu, les modèles de logit imbriqués et les modèles multivariés d'extrême valeur dans le transport.

Principes fondamentaux de l'apprentissage supervisé

Présente les principes fondamentaux de l'apprentissage supervisé, y compris les fonctions de perte et les distributions de probabilité.

Modèles linéaires pour la classification: Régression logistique et SVM

Couvre les modèles linéaires pour la classification, en se concentrant sur la régression logistique et les machines vectorielles de support.

Théorie de la vraisemblance maximale et applications

Couvre la théorie de la probabilité maximale, les applications et les principes de test d'hypothèse en économétrie.

Estimation et intervalles de confiance

Explore les biais, la variance et les intervalles de confiance dans l'estimation des paramètres à l'aide d'exemples et de distributions.