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.
Couvre la régression linéaire et pondérée, les paramètres optimaux, les solutions locales, l'application SVR et la sensibilité des techniques de régression.
Couvre l'analyse des données bivariées, la corrélation et les techniques de régression, y compris l'interprétation des coefficients et de la géométrie des moindres carrés.
Couvre les bases de la régression linéaire, la méthode OLS, les valeurs prédites, les résidus, la notation matricielle, la bonté d'adaptation, les tests d'hypothèse et les intervalles de confiance.
Couvre les bases de la régression linéaire dans l'apprentissage automatique, en explorant ses applications dans la prédiction des résultats comme le poids de naissance et l'analyse des relations entre les variables.
Couvre les variables instrumentales, abordant les problèmes d'endogénéité dans l'analyse de régression à travers des techniques d'estimation et des exemples pratiques.
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.
Explore les représentations structurales équivariantes dans l'apprentissage machine atomistique, soulignant l'importance de représenter les propriétés cibles dans la base sphérique.