Séance de cours
Régression Reloaded: Construction de jeu de données synthétiques et estimation des paramètres
Séances de cours associées (35)
Régression linéaire
Couvre la régression linéaire pour estimer la vitesse du train en utilisant les moindres carrés et la régularisation.
Régression linéaire : bases et applications
Explore la régression linéaire en utilisant la méthode des moindres carrés pour adapter les points de données à l'équation y = ax + b.
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.
Retour à Régression linéaire
Couvre la régression linéaire, la régularisation, les problèmes inverses, la tomographie par rayons X, la reconstruction d'images, l'inférence de données et l'intensité du détecteur.
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 : estimation et prévision
Couvre les bases de la régression linéaire, en mettant l'accent sur l'estimation et la prédiction.
Régression linéaire : Fondements
Couvre les bases de la régression linéaire, y compris l'OLS, l'hétéroskédasticité, l'autocorrélation, les variables instrumentales, l'estimation maximale de la probabilité, l'analyse des séries chronologiques et les conseils pratiques.
Estimation des moindres carrés pondérés : Algorithme IRLS
Explore l'algorithme IRLS pour l'estimation pondérée des moindres carrés dans GLM.
Méthode de régression linéaire et des moindres carrés
Explore la régression linéaire et la méthode des moindres carrés pour minimiser la fonction de perte pour le meilleur ajustement.
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.