Séance de cours

Estimation du paramètre bayésien

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Séances de cours associées (64)

Statistiques bayésiennes : Régularisation et divergence

Couvre la divergence Kullback-Leibler, la régularisation et les statistiques bayésiennes pour lutter contre le surajustement dans les modèles d'apprentissage automatique.

Chaînes Monte Carlo Markov

Couvre l'apprentissage non supervisé, la réduction de dimensionnalité, SVD, l'estimation de bas grade, PCA, et les chaînes Monte Carlo Markov.

Régression linéaire fonctionnelle : Estimation et méthodes adaptatives

Par Angelina Roche couvre l'estimation adaptative et clairsemée dans les modèles de régression linéaire fonctionnelle.

Estimation maximale de vraisemblance : estimation de densité et modèle de Bernoulli

Explore l'estimation du maximum de vraisemblance pour la densité et le modèle Bernoulli, y compris la fiabilité des tests et le dépistage des maladies.

Inférence bayésienne : Estimation et démystification

Couvre les concepts de démystification, d'estimation et d'inférence bayésienne dans le contexte des statistiques bayésiennes.

Densité des États et inférence bayésienne en mathématiques computationnelles

Explorer la densité de calcul des états et l'inférence bayésienne à l'aide d'un échantillonnage d'importance, montrant une variance inférieure et la parallélisation de la méthode proposée.

Modèle de bloc stochastique

Couvre le modèle de bloc stochastique et son application dans la détection communautaire, explorant sa formulation mathématique et ses défis.

Applications du GAMP

Se penche sur l'application de l'algorithme GAMP pour simplifier le problème lasso et analyser les défis d'optimisation dans les réseaux neuronaux.

Estimation maximale de la probabilité : propriétés et cohérence

Explorer la probabilité maximale Propriétés d'estimation, la cohérence et les applications dans l'inférence statistique.

Estimation bayésienne : apprentissage sans supervision et MCMC

Explore l'estimation bayésienne pour l'apprentissage non supervisé et MCMC, à l'aide d'un exemple de jeu Spin Glass Card.

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.

Régression linéaire et régression logistique

Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.

Sélection du modèle : évaluation et généralisation

Explore la sélection, l'évaluation et la généralisation des modèles dans l'apprentissage automatique, en mettant l'accent sur l'estimation impartiale des performances et les risques de surapprentissage.

Représentation des données : BoW et données déséquilibrées

Couvre les problèmes de surajustement, de sélection de modèle, de validation, de validation croisée, de régularisation, de régression du noyau et de représentation des données.

Comparaison des algorithmes L1 et L0 + Greedy

Compare L1 et L0 pénalisation en régression linéaire avec des conceptions orthogonales en utilisant des algorithmes gourmands et des comparaisons empiriques.

Méthodes de noyau: Machine Learning

Couvre les méthodes du noyau dans l'apprentissage automatique, en se concentrant sur le surajustement, la sélection du modèle, la validation croisée, la régularisation, les fonctions du noyau et la SVM.

Estimation et inférence bayésienne

Couvre démousing, estimation, inférence bayésienne, probabilité, AWGN, et plus encore.

Critères de sélection du modèle : AIC, BIC, Cp

Explore les critères de sélection des modèles comme l'AIC, le BIC et le Cp en statistique pour la science des données.

Théorie statistique : cadre de la théorie de la décision

Explore le cadre de la théorie de la décision en théorie statistique, considérant les statistiques comme un jeu aléatoire avec des concepts clés tels que la recevabilité, les règles minimax et les règles Bayes.

Validation croisée : Techniques et applications

Explore les techniques de validation croisée, d'ajustement excessif, de régularisation et de régression dans l'apprentissage automatique.