Séance de cours

Statistiques comparatives : Hypothesis Testing et ANOVA

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 : 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.

Comprendre les statistiques et le design expérimental

Explore les tests t, les intervalles de confiance, l'ANOVA et les tests d'hypothèse dans les statistiques, en soulignant l'importance d'éviter les fausses découvertes et de comprendre la logique derrière les tests statistiques.

Régression multilinéaire: ajustement le moins carré

Explore la régression multilinéaire, la variance, la corrélation, l'optimisation, l'ANOVA et les procédures de conception.

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.

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.

Régression linéaire: bases et principe des moindres carrés

Couvre les bases de régression linéaire, en se concentrant sur la minimisation des erreurs en utilisant le principe des moindres carrés et comprend une table ANOVA et un exemple pratique dans R.

Régression linéaire probabiliste

Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.

Séries chronologiques financières: modèles ARCH et GARCH

Couvre l'analyse de régression, la régression linéaire multivariée, l'analyse des composantes principales et les modèles de facteurs.

Régression linéaire : Fondements

Couvre les bases de la régression linéaire, de la classification binaire et multiclasse, et des mesures d'évaluation.

Introduction à l'apprentissage automatique: Aperçu du cours et bases

Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.

Synchronisation de trame : Dérivation systématique avec test de vraisemblance

Couvre la dérivation systématique d'un algorithme de synchronisation avec un test de vraisemblance généralisée dans les récepteurs sans fil.

Comprendre les statistiques et le design expérimental

Fournit un aperçu de la théorie des probabilités de base, de l'ANOVA, des tests t, du théorème de limite centrale, des métriques, des intervalles de confiance et des tests non paramétriques.

Régression linéaire : comprendre les relations quantitatives

Couvre la régression linéaire, de lélaboration de questions de recherche à linterprétation de R-carré et en ajoutant des prédicteurs pour améliorer le modèle.

Fondements de l'apprentissage automatique

Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.

Composantes principales : Propriétés et applications

Explore les principales composantes, la covariance, la corrélation, le choix et les applications dans l'analyse des données.

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.

Introduction à l'apprentissage automatique: modèles linéaires

Introduit des modèles linéaires pour l'apprentissage supervisé, couvrant le suréquipement, la régularisation et les noyaux, avec des applications dans les tâches d'apprentissage automatique.

Analyse de régression linéaire

Introduit une analyse de régression linéaire, couvrant la construction du modèle, les prédicteurs, les coefficients et linterprétation des résultats.

Régression linéaire et logistique

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

Modèles linéaires : suite

Explore les modèles linéaires, la régression logistique, la descente en gradient et la régression logistique multi-classes avec des applications pratiques et des exemples.