Séance de cours

Essentiels de la régression linéaire

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)

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.

Statistiques non paramétriques: approche bayésienne

Explore les statistiques non paramétriques, les méthodes bayésiennes et la régression linéaire en mettant l'accent sur l'estimation de la densité du noyau et la distribution postérieure.

Modèles linéaires généralisés

Couvre les probabilités, les variables aléatoires, les attentes, les GLM, les tests d'hypothèse et les statistiques bayésiennes avec des exemples pratiques.

Probabilités et statistiques

Couvre les concepts fondamentaux des probabilités et des statistiques, y compris la régression linéaire, les statistiques exploratoires et l'analyse des probabilités.

Modèle et propriétés sous condition gaussienne

Explore le modèle conditionnel gaussien pour la régression linéaire et les propriétés des données gaussiennes, illustré par l'exemple de comparaison du traitement par pierre rénale.

Analyse de régression : Désengagement des données

Couvre l'analyse de régression pour les données de désassemblage à l'aide de la modélisation de régression linéaire, des transformations, des interprétations des coefficients et des modèles linéaires généralisés.

Régression linéaire : Fondements

Couvre les bases de la régression linéaire dans l'apprentissage automatique, y compris la formation des modèles, les fonctions de perte et les mesures d'évaluation.

Régression II

Déplacez-vous dans l'analyse de régression, en mettant l'accent sur les vérifications de distribution, les moindres carrés pondérés et les tests d'hypothèse.

Overfitting dans l'apprentissage supervisé: études de cas et techniques

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.

Inférence statistique: Modèles linéaires

Explore l'inférence statistique pour les modèles linéaires, couvrant l'ajustement du modèle, l'estimation des paramètres et la décomposition de la variance.

Modèles linéaires généralisés : régression avec réponses familiales exponentielles

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

Régression linéaire : fondements et applications

Introduit la régression linéaire, couvrant ses fondamentaux, ses applications et ses mesures d'évaluation dans l'apprentissage automatique.

Régression linéaire : concepts et applications

Introduit des concepts de régression linéaire, de la création de bandes X aux propriétés et essais de l'estimateur de pente.

Régression linéaire et dorsale

Couvre la régression linéaire et de crête, le surajustement, les hyperparamètres et les ensembles d'essai.

Régression linéaire et logistique

Couvre la régression linéaire et logistique, y compris les mesures de sous-ajustement, de surajustement et de performance.

Méthode de régression linéaire et des moindres carrés

Explore la régression linéaire et la méthode des moindres carrés pour minimiser la fonction de perte pour le meilleur ajustement.

Régression linéaire: Forme générale

Couvre la matrice de conception, le vecteur de réponse et la régression linéaire par rapport à l'affine.

Régression linéaire

Introduit la régression linéaire, l'ajustement de la ligne de couverture, l'entraînement, les gradients et les fonctions multivariées, avec des exemples pratiques tels que l'achèvement du visage et la prédiction de l'âge.

Arbres de régression et méthodes d'ensemble dans l'apprentissage automatique

Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.

Introduction à l'apprentissage automatique: Principes fondamentaux de la régression

Présente les principes fondamentaux de la régression dans l'apprentissage automatique, couvrant la logistique des cours, les concepts clés et l'importance des fonctions de perte dans l'évaluation des modèles.