Séances de cours associées à Sparse Regression

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.

Régression linéaire : Inférence statistique et régularisation

Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.

Régression linéaire fonctionnelle : Estimation et méthodes adaptatives

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

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.

Sans titre

Régression de LASSO : Induction de signal sparsé

Explore la régression LASSO pour induire la sparsité dans les signaux par descente en gradient.

Estimation, réduction et pénalisation

Couvre l'estimation, le rétrécissement et la pénalisation des statistiques pour la science des données, soulignant l'importance d'équilibrer le biais et la variance dans l'estimation des modèles.

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.

Régression des crêtes : les moindres carrés pénalisés

Explore Ridge Regression pour la gestion de la multicolinéarité et la méthode LASSO pour la sélection des modèles.

Régression linéaire : perspective d'inférence statistique

Explore la régression linéaire dans une perspective d'inférence statistique, couvrant les modèles probabilistes, la vérité au sol, les étiquettes et les estimateurs de probabilité maximale.

Régression linéaire généralisée

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

Sans titre

Sélection du modèle : Les moindres carrés

Explore la sélection des modèles dans la régression des moindres carrés, en abordant les défis de multicollinéarité et en introduisant des techniques de rétrécissement.

Suréquipement, validation croisée et régularisation

Explore la complexité du modèle, le surajustement et le rôle de la validation croisée et de la régularisation dans l'apprentissage automatique.

Méthodes de régression : Modèle de construction et d'inférence Connectez-vous à Mediaspace pour regarder cette vidéo

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.

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.

Overfitting dans l'apprentissage supervisé: études de cas et techniques Connectez-vous à Mediaspace pour regarder cette vidéo

Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.

Régularisation de l'apprentissage automatique Connectez-vous à Mediaspace pour regarder cette vidéo

Introduit des techniques de régularisation pour éviter une suradaptation dans les modèles d'apprentissage automatique.

Régression: Linéaire simple et multiple Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la régression linéaire simple et multiple, y compris l'estimation des moindres carrés et le diagnostic du modèle.

Validation croisée et régularisation Connectez-vous à Mediaspace pour regarder cette vidéo

Explore l'ajustement de la courbe polynomiale, les fonctions du noyau et les techniques de régularisation, en soulignant l'importance de la complexité du modèle et du surajustement.