Régression linéaire : absence ou présence de covariables

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (25)

Page 2 sur 3

Polynômes caractéristiques et matrices similaires

Explore les polynômes caractéristiques, la similarité des matrices et les valeurs propres dans les transformations linéaires.

Décomposition de valeur singulière: vecteurs orthogonaux et décomposition matricielle

Explique la décomposition de la valeur singulière, en se concentrant sur les vecteurs orthogonaux et la décomposition matricielle.

Projections orthogonales en Algèbre linéaire

Explore les projections orthogonales, les bases orthonormales et la factorisation QR dans l'algèbre linéaire.

Projection orthogonale en algèbre linéaire

Explique la projection orthogonale en algèbre linéaire, en se concentrant sur la transformation des bases non orthogonales en bases orthogonales.

Régression linéaire : méthode des moindres carrés

Explique la méthode des moindres carrés dans la régression linéaire pour trouver la ligne la mieux adaptée à un ensemble de points de données.

Factorisation QR : Résolution du système des moindres carrés

Couvre la méthode de factorisation QR appliquée à la résolution d'un système d'équations linéaires au sens des moindres carrés.

Bases orthogonales et projection

Introduit les bases orthogonales, la projection sur les sous-espaces, et le processus Gram-Schmidt dans l'algèbre linéaire.

Algèbre linéaire : projection orthogonale et factorisation QR

Explore le processus Gram-Schmidt, la projection orthogonale, la factorisation QR et les solutions de moindres carrés pour les systèmes linéaires.

Décomposition de la valeur singulaire (SVD)

Couvre en détail la décomposition de la valeur singulière (SVD), y compris les propriétés des matrices et la linéarité du système.

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.