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 solutions les moins carrées pour les systèmes linéaires utilisant des opérations matricielles et des systèmes normaux, illustrés par des exemples.
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.
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
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.
Explore les modèles additifs généralisés, couvrant les bases, les fonctions lisses, les pénalités, les exemples pratiques en R, et les modèles mixtes linéaires.
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.
