Séances de cours associées à Sans titre

Modèles linéaires généralisés : régression avec réponses familiales exponentielles

Couvre la régression avec des réponses familiales exponentielles à l'aide de modèles linéaires généralisés.

Modèles linéaires : Récapitulatif et régression logistique

Couvre les modèles linéaires, la classification binaire, la régression logistique et les mesures d'évaluation des modèles.

Régression linéaire généralisée : classification

Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.

Modèles linéaires pour la classification

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

Optimisation dans l'apprentissage automatique: Gradient Descent

Couvre l'optimisation dans l'apprentissage automatique, en mettant l'accent sur la descente par gradient pour la régression linéaire et logistique, la descente par gradient stochastique et des considérations pratiques.

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.

Régression linéaire généralisée

Explore la régression linéaire généralisée, la régression logistique et la classification multiclasses dans l'apprentissage automatique.

Modèles paramétriques

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

Modèles probabilistes pour la régression linéaire

Couvre le modèle probabiliste de régression linéaire et ses applications dans la résonance magnétique nucléaire et l'imagerie par rayons X.

Bases d'apprentissage automatique : Apprentissage supervisé et non supervisé

Couvre les bases de l'apprentissage automatique, l'apprentissage supervisé et non supervisé, diverses techniques comme les voisins k-nearest et les arbres de décision, et les défis de l'ajustement excessif.

Modèles linéaires généralisés : théorie et applications

Couvre la théorie et les applications des modèles linéaires généralisés, y compris le MLE, les mesures d'ajustement, le rétrécissement et des exemples spéciaux.

Classification binaire linéaire

Couvre l'extension de la perte 0-1 aux fonctions de score à valeur réelle et à la régression logistique.

Apprentissage supervisé avec kNN : modèle de régression

Couvre un modèle mathématique simple pour lapprentissage supervisé avec k-plus proches voisins en régression.

Modèles linéaires pour la classification: Extensions multi-classes Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les modèles linéaires pour la classification multi-classes, en se concentrant sur la régression logistique et les mesures d'évaluation.

Régression logistique : Fondements et applications Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les fondamentaux de régression logistique, y compris les fonctions de coût, la régularisation et les limites de classification, avec des exemples pratiques utilisant scikit-learn.

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.

Modèles linéaires pour la classification: Régression logistique et SVM Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les modèles linéaires pour la classification, en se concentrant sur la régression logistique et les machines vectorielles de support.

Régression logistique : Interprétation probabiliste Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.

Algorithmes de classification: approches génératives et discriminatoires Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les algorithmes de classification génératifs et discriminatifs, en mettant l'accent sur leurs applications et leurs différences dans les tâches d'apprentissage automatique.

Modèles linéaires généralisés : un bref examen Connectez-vous à Mediaspace pour regarder cette vidéo

Fournit un aperçu des modèles linéaires généralisés, en mettant l'accent sur les modèles de régression logistique et de Poisson, et leur mise en oeuvre dans R.