Séance de cours

Pertinence Vector Machine: Aborder les lacunes SVM

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)

Inférence bayésienne: Modèle Beta-Bernoulli

Explore la distribution bêta, l'inférence bayésienne et le calcul postérieur dans le modèle Beta-Bernoulli.

Sexing Guppy Fish: Règles d'inférence et de décision bayésiennes

Couvre le sexage des poissons guppy en utilisant l'inférence bayésienne et les règles de décision.

Estimation bayésienne : Aperçu et exemples

Introduit l'estimation bayésienne, qui couvre l'inférence classique par rapport à l'inférence bayésienne, les antécédents conjugués, les méthodes MCMC et des exemples pratiques comme l'estimation de la température et la modélisation de choix.

Inférence maximale de vraisemblance

Explore linférence de vraisemblance maximale, comparant les modèles basés sur les ratios de vraisemblance et démontrant avec un exemple de pièce de monnaie.

Inférence bayésienne : Avant gaussien pour la moyenne

Discute de l'inférence bayésienne pour la moyenne d'une distribution gaussienne avec variance connue, couvrant la moyenne postérieure, la variance et l'estimateur MAP.

Modèle dirichlet-multinomial

Discute de la distribution de Dirichlet, de l'inférence bayésienne, de la moyenne postérieure et de la variance, des antécédents conjugués et de la distribution prédictive dans le modèle de Dirichlet-Multinôme.

Famille Exponentielle : Propriétés et Estimation

Explore les familles exponentielles, les distributions de Bernoulli, l'estimation des paramètres et les distributions d'entropie maximale dans la modélisation statistique.

Probabilité et statistiques

Introduit la probabilité, les statistiques, les distributions, l'inférence, la probabilité et la combinatoire pour étudier les événements aléatoires et la modélisation en réseau.

Statistiques bayésiennes: Tests d'hypothèses et estimation

Couvre les tests d'hypothèses, les valeurs de p, les niveaux de signification et l'estimation bayésienne.

Chaînes Monte Carlo Markov

Couvre l'apprentissage non supervisé, la réduction de dimensionnalité, SVD, l'estimation de bas grade, PCA, et les chaînes Monte Carlo Markov.

Inférence bayésienne : Précision dans le modèle gaussien

Explore l'inférence bayésienne pour la précision dans le modèle gaussien avec la moyenne connue, en utilisant un précédent Gamma et en discutant des précédents subjectifs vs objectifs.

Distributions courantes : Fonctions génératrices de minute

Explore les distributions de probabilités communes, les distributions spéciales et les concepts d'entropie.

Inférence bayésienne : décisions optimales

Explore l'inférence bayésienne pour une prise de décision optimale dans les scénarios de test d'hypothèses.

Inférence variable et réseaux neuraux

Couvre l'inférence variationnelle et les réseaux neuronaux pour les tâches de classification.

Probabilité maximale: Inférence et comparaison du modèle

Explore l'inférence de vraisemblance maximale, la sélection de modèles et la comparaison de modèles à l'aide de ratios de vraisemblance.

Régression linéaire : perspective d'inférence statistique

Explore la régression linéaire dans une perspective d'inférence statistique, couvrant les modèles probabilistes, la vérité au sol, les étiquettes et les estimateurs de probabilité maximale.

Régression linéaire généralisée : classification

Explorer la régression linéaire généralisée, la classification, les matrices de confusion, les courbes ROC et le bruit dans les données.

Essais d'hypothèse statistique

Couvre les essais d'hypothèses statistiques, l'estimation de la probabilité et la construction d'intervalles de confiance.

Famille Exponentielle

Couvre les propriétés de la famille exponentielle et l'estimation des paramètres.

Tests de rapport de vraisemblance: optimisation et extensions

Couvre les tests de ratio de vraisemblance, leur optimalité et les extensions dans les tests d'hypothèses, y compris le théorème de Wilks et la relation avec les intervalles de confiance.