Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Concept

Ordinal regression

Séances de cours associées (27)

Régression : Séance de cours interactive Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la régression linéaire, la régression pondérée, la régression pondérée localement, la régression vectorielle de soutien, la manipulation du bruit et la cartographie oculaire à l'aide de SVR.

Régression moderne: surdispersion et évaluation du modèle Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les techniques de surdispersion, d'évaluation de modèle et de régression pour les données de comptage.

Optimisation convexe : Exemples de fonctions convexes Connectez-vous à Mediaspace pour regarder cette vidéo

Explore l'optimisation convexe, les fonctions convexes et leurs propriétés, y compris la convexité stricte et la convexité forte, ainsi que différents types de fonctions convexes comme les fonctions et les normes affines linéaires.

Soutien de la régression vectorielle : l'optimisation de la récapitulation et du convex Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la récapitulation de Support Vector Regression avec un accent sur l'optimisation convexe et son équivalence à la régression du processus gaussien.

Estimation maximale de la probabilité : théorie Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la théorie derrière l'estimation maximale de la vraisemblance, en discutant des propriétés et des applications dans le choix binaire et des modèles multiréponses ordonnées.

MLE Applications: Modèles à choix binaire Connectez-vous à Mediaspace pour regarder cette vidéo

Explore l'application de Maximum Likelihood Estimation dans les modèles à choix binaire, couvrant les modèles probit et logit, la représentation des variables latentes et les tests de spécification.

L'essentiel de l'apprentissage supervisé Connectez-vous à Mediaspace pour regarder cette vidéo

Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.