Séance de cours

Régression linéaire : Confidence Bounds

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 : 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.

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 : 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 linéaire : absence ou présence de covariables

Explore la régression linéaire avec et sans covariables, couvrant des modèles capturés par des distributions indépendantes et des outils comme des sous-espaces et des projections orthogonales.

Modèles linéaires: Partie 1

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.

Apprentissage supervisé : classification et régression

Couvre l'apprentissage supervisé, la classification, la régression, les limites de décision, le surajustement, Perceptron, SVM et la régression logistique.

Régression linéaire probabiliste

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

Régression linéaire : estimation maximale de la probabilité

Explore la régression linéaire en mettant l'accent sur l'estimation de la probabilité maximale.

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.

Régression linéaire et pondérée

Couvre la régression linéaire et pondérée, les limitations et introduit la régression pondérée localement pour la régression sans modèle.

Modèles probabilistes pour la régression linéaire

Couvre le modèle probabiliste de régression linéaire et ses applications dans la résonance magnétique nucléaire et l'imagerie par rayons X.

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.

Régression linéaire : basiques et descente progressive

Couvre les bases de la régression linéaire, y compris l'ingénierie des caractéristiques, l'apprentissage supervisé ou non supervisé, et minimise la fonction de coût.

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.

Suréquipement, validation croisée et régularisation

Explore le surajustement, la validation croisée et la régularisation dans l'apprentissage automatique, en mettant l'accent sur la complexité du modèle et l'importance de la force de régularisation.

Modèles linéaires pour la classification

Couvre les modèles linéaires pour la classification, y compris la MVS, les limites de décision, les vecteurs de support et la dualité de Lagrange.

Optimisation dans l'apprentissage automatique: Gradient Descent

Couvre l'optimisation dans l'apprentissage automatique, en mettant l'accent sur la descente par gradient pour la régression linéaire et logistique, la descente par gradient stochastique et des considérations pratiques.

Régression linéaire et dorsale

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

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.

Les critères d'information de Takeuchi et Akaike

Couvre l'estimation de l'optimisme pour les prédicteurs via des modèles statistiques et l'application de l'AIC à la régression linéaire.