Introduit une régression linéaire et logistique, couvrant les modèles paramétriques, la prédiction multi-sorties, la non-linéarité, la descente de gradient et les applications de classification.
Explore les algorithmes de classification génératifs et discriminatifs, en mettant l'accent sur leurs applications et leurs différences dans les tâches d'apprentissage automatique.
Explore les modèles linéaires, la régression logistique, la descente en gradient et la régression logistique multi-classes avec des applications pratiques et des exemples.
Explore la régression logistique, les fonctions de coût, la descente en gradient et la modélisation de probabilité à l'aide de la fonction sigmoïde logistique.
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
Explore l'analyse de sensibilité locale dans la programmation linéaire, en examinant comment les changements ont un impact sur l'optimalité et la faisabilité.
Discute de l'optimisation de joint accéléré GPU efficace pour les requêtes complexes, visant à améliorer les temps d'optimisation et la qualité du plan heuristique.
Couvre les concepts essentiels de l'algèbre linéaire pour l'optimisation convexe, y compris les normes vectorielles, la décomposition des valeurs propres et les propriétés matricielles.
Explore l'estimation du maximum de vraisemblance, la vraisemblance du log de profil, l'inférence sur les coefficients, la quasi-vraisemblance, la comparaison de modèle et la méthode REML.