Explore les modèles linéaires, la régression logistique, la descente en gradient et la régression logistique multi-classes avec des applications pratiques et des exemples.

Régression : Modèles linéaires

Introduit une régression linéaire, des modèles linéaires généralisés et des modèles à effet mixte pour l'analyse de régression.

Modèles linéaires pour la classification

Couvre les modèles linéaires pour la classification, la formation à la régression logistique, les mesures d'évaluation et les limites de décision.

Modèles paramétriques

Explore l'estimation statistique, les modèles de régression et la sélection des modèles dans les modèles paramétriques.

Machine Learning non linéaire : les voisins les plus proches et l’expansion des fonctionnalités

Couvre la transition des modèles linéaires aux modèles non linéaires, en se concentrant sur k-NN et les techniques d'expansion des caractéristiques.

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.

Modèles linéaires pour la classification

Explore des modèles linéaires pour la classification, la régression logistique et la descente en gradient dans l'apprentissage automatique.