Couvre les bases de la régression linéaire et la façon de résoudre les problèmes d'estimation en utilisant les moindres carrés et la notation matricielle.
Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.
Couvre les solutions les moins carrées pour les systèmes linéaires utilisant des opérations matricielles et des systèmes normaux, illustrés par des exemples.
Couvre les bases de la régression linéaire, y compris l'OLS, l'hétéroskédasticité, l'autocorrélation, les variables instrumentales, l'estimation maximale de la probabilité, l'analyse des séries chronologiques et les conseils pratiques.
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.
Explore le surajustement, la régularisation et la validation croisée dans l'apprentissage automatique, soulignant l'importance de l'expansion des fonctionnalités et des méthodes du noyau.
Couvre les modèles linéaires, y compris la régression, les dérivés, les gradients, les hyperplans et la transition de classification, en mettant laccent sur la minimisation des risques et des mesures dévaluation.
Explore la régression quantile pour la prévision des prix de l'électricité en utilisant des données de séries chronologiques, la régularisation et l'astuce du noyau.
Explore l'approximation vectorielle, la détection de signaux, la corrélation, les séries de Fourier et la comparaison de signaux dans les signaux et les systèmes.
Explore les variétés algébriques en algèbre linéaire, en se concentrant sur leur nature, leurs déterminants, leur irréductibilité, leurs propriétés premières et leur théorie de la représentation géométrique.
Explore le surajustement, la régularisation et la validation croisée dans l'apprentissage automatique, en soulignant l'importance de la complexité du modèle et des différentes méthodes de validation croisée.