Séance de cours

Méthode de régression linéaire et des moindres carrés

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)

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.

Régression linéaire : notions de base et interprétation géométrique

Explore la régression linéaire gaussienne, la matrice de conception, l'estimation des moindres carrés et l'interprétation géométrique dans l'analyse de régression linéaire.

Modèles paramétriques : Estimateurs de régression et optimisation

Couvre les modèles paramétriques, les estimateurs de régression et l'optimisation dans la modélisation statistique.

Estimation linéaire MM SE

Couvre les principes de l'estimation linéaire MM SE et de la minimisation des erreurs en régression linéaire.

Régression linéaire: Simple

Introduit une régression linéaire simple, les propriétés des résidus, la décomposition de la variance et le coefficient de détermination dans le contexte de la loi d'Okun.

Validation croisée : Techniques et applications

Explore les techniques de validation croisée, d'ajustement excessif, de régularisation et de régression dans l'apprentissage automatique.

Régression linéaire : modèles paramétriques et optimisation

Couvre la régression linéaire, les modèles paramétriques, l'optimisation et la modélisation prédictive à l'aide d'exemples étiquetés.

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.

Inférence bayésienne: Partie 2

Explore l'inférence bayésienne, la classification multiclasses, la régression logistique et l'inférence de régression linéaire.

Algorithmes ML non linéaires

Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.

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 linéaire et descente progressive

Couvre la régression linéaire, la descente par gradient, le surajustement et la régression par crête, entre autres concepts.

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.

Analyse de régression linéaire

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

Régression : Séance de cours interactive

Couvre la régression linéaire, la régression pondérée, la régression pondérée localement, la régression vectorielle de soutien, la manipulation du bruit et la cartographie oculaire à l'aide de SVR.

Régression et modélisation cinétique

Explore l'analyse de régression, la modélisation cinétique, l'estimation des paramètres et la modélisation de la concentration d'ozone atmosphérique à l'aide de relations linéaires et de diagrammes de dispersion.

Régression linéaire : Méthode des moindres carrés I

Couvre la régression linéaire et la méthode des moindres carrés pour trouver la ligne la mieux adaptée pour des points de données donnés.

Techniques d'optimisation: Vue d'ensemble de la méthode de gradient

Discute de la méthode de gradient pour l'optimisation, en se concentrant sur son application dans l'apprentissage automatique et les conditions de convergence.

Machine Learning non linéaire : les voisins les plus proches et l’expansion des fonctionnalités

Couvre la transition des modèles linéaires aux modèles non linéaires, en se concentrant sur k-NN et les techniques d'expansion des caractéristiques.

Régression moderne: données d'orge de printemps

Couvre les moindres carrés pondérés itératifs, la régression de Poisson et l'analyse bayésienne des données sur l'orge de printemps à l'aide de modèles mixtes.