Séance de cours

Régression moderne: effets aléatoires et vérification de modèle

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)

Probabilité et statistiques

Couvre les concepts fondamentaux en probabilité et en statistiques, en mettant l'accent sur les techniques d'analyse de données et la modélisation statistique.

Régression moderne: Inférence et modèles

Couvre les moindres carrés pondérés itératifs, la vérification des modèles et les modèles linéaires généralisés dans lanalyse de régression.

Modèles paramétriques

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

Revue du Machine Learning

Couvre un examen des concepts d'apprentissage automatique, y compris l'apprentissage supervisé, la classification vs régression, les modèles linéaires, les fonctions du noyau, les machines vectorielles de soutien, la réduction de la dimensionnalité, les modèles génératifs profonds et la validation croisée.

Théorème d'approximation universelle: MLP

Couvre les perceptrons multicouches (MLP) et leur application de la classification à la régression, y compris le théorème d'approximation universelle et les défis liés aux gradients.

Régression Diagnostics

Couvre les diagnostics de régression pour les modèles linéaires, en soulignant limportance de vérifier les hypothèses et didentifier les valeurs aberrantes et les observations influentes.

L'apprentissage automatique à l'échelle atomique

Explore des modèles simples, l'évaluation de la structure électronique et l'apprentissage automatique à l'échelle atomique.

Validation et méthode k-Nearest Neighbors

Introduit des concepts d'apprentissage supervisé et la méthode k-Nearest Neighbors pour les tâches de classification et de régression.

Arbres de décision : régression et classification

Couvre les arbres de décision pour la régression et la classification, expliquant la construction des arbres, la sélection des caractéristiques et les critères d'induction.

Méthodes de noyau et régression

Couvre les méthodes du noyau, la régression du noyau, le noyau RBF et le SVM pour la classification.

Caractéristiques du récepteur-exploitant: Courbes ROC

Explique les courbes ROC, la courbe de rappel de précision, le RMSLE et la validation du modèle.

Introduction à l'apprentissage automatique : apprentissage supervisé

Introduit l'apprentissage supervisé, couvrant la classification, la régression, l'optimisation des modèles, le surajustement, et les méthodes du noyau.

Cadre d'apprentissage PAC

Couvre le cadre d'apprentissage PAC, y compris le domaine, l'ensemble de fonctionnalités, le classificateur et le risque empirique.

Méthodes de régression : Modèle de construction et d'inférence

Couvre l'analyse de la variance, de la construction du modèle, de la sélection des variables et de l'estimation des fonctions dans les méthodes de régression.

Analyse de régression : Interprétation et demandes

Examine la régression multiple, l'ANOVA, l'interprétation des coefficients et l'estimation de la régression.

Analyse bivariée des données : corrélation et régression

Explore l'analyse de données bivariées, la corrélation et les techniques de régression pour l'évaluation des modèles.

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.

Diagnostics du modèle : Observations aberrantes, de levier et d'influence

Explore les observations aberrantes, les effets de levier et les influences dans les modèles statistiques, y compris les méthodes de détection et d'évaluation.

Advanced Machine Learning: Fondements et applications

Couvre les fondamentaux de l'apprentissage automatique avancé, mettant l'accent sur les applications pratiques par des exercices et des projets interactifs.

Régression non paramétrique: Techniques de lissage

Explore les techniques de régression non paramétrique, y compris les splines, le compromis entre les variables de biais, les fonctions orthogonales, les ondulations et les estimateurs de modulation.