Concept

Estimation par noyau

Séances de cours associées (32)

Explore des modèles générateurs implicites, couvrant des sujets comme la méthode des moments, le choix du noyau et la robustesse des estimateurs.

SVM Hyperparamètres

Plonge dans les hyperparamètres SVM, montrant l'impact du C et de la largeur du noyau sur les résultats de classification.

Densité conditionnelle et espérance

Couvre la densité conditionnelle, l'indépendance des variables aléatoires, les attentes et le calcul de la variance.

Tests de propriétés : distributions uniformes

Couvre les tests de propriétés par rapport aux distributions uniformes en utilisant l'approche plug-in.

Analyse statistique: Boxplot et distribution normale

Introduit des concepts d'analyse statistique comme boxplot et la distribution normale à l'aide d'exemples de données réelles.

Régression de mélange gaussien : modélisation et prédiction

Couvre les principes de régression de mélange gaussien, la modélisation des densités articulaires et conditionnelles pour les ensembles de données multimodaux.

Mathématiques des données: aperçu et exemples

Couvre la minimisation empirique des risques, l'apprentissage statistique et des exemples de prédiction du cancer, de prix des maisons et de génération d'images.

Théorie de l'information: codage de source et codage de canal

Couvre les bases de la théorie de l'information, en se concentrant sur le codage source et le codage de canal.

GLMs non paramétriques et image de haut niveau

Explore les relations non paramétriques dans les GLM et l'importance de comprendre la variabilité par le biais des probabilités et des modèles.

Statistiques à variables multiples : distribution normale

Couvre la distribution normale multivariée, les propriétés et les méthodes d'échantillonnage.

Densité conditionnelle et espérance

Explore la densité conditionnelle, les attentes et l'indépendance des variables aléatoires avec des exemples pratiques.

Markov Chain Monte Carlo

Couvre la méthode Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings pour générer des échantillons à partir d'une distribution de probabilité cible.

Séances de cours associées (32)

Modèles génériques implicites

Explore des modèles générateurs implicites, couvrant des sujets comme la méthode des moments, le choix du noyau et la robustesse des estimateurs.

SVM Hyperparamètres

Plonge dans les hyperparamètres SVM, montrant l'impact du C et de la largeur du noyau sur les résultats de classification.

Densité conditionnelle et espérance

Couvre la densité conditionnelle, l'indépendance des variables aléatoires, les attentes et le calcul de la variance.

Tests de propriétés : distributions uniformes

Couvre les tests de propriétés par rapport aux distributions uniformes en utilisant l'approche plug-in.

Analyse statistique: Boxplot et distribution normale

Introduit des concepts d'analyse statistique comme boxplot et la distribution normale à l'aide d'exemples de données réelles.

Régression de mélange gaussien : modélisation et prédiction

Couvre les principes de régression de mélange gaussien, la modélisation des densités articulaires et conditionnelles pour les ensembles de données multimodaux.

Mathématiques des données: aperçu et exemples

Couvre la minimisation empirique des risques, l'apprentissage statistique et des exemples de prédiction du cancer, de prix des maisons et de génération d'images.

Théorie de l'information: codage de source et codage de canal

Couvre les bases de la théorie de l'information, en se concentrant sur le codage source et le codage de canal.

GLMs non paramétriques et image de haut niveau

Explore les relations non paramétriques dans les GLM et l'importance de comprendre la variabilité par le biais des probabilités et des modèles.

Statistiques à variables multiples : distribution normale

Couvre la distribution normale multivariée, les propriétés et les méthodes d'échantillonnage.

Densité conditionnelle et espérance

Explore la densité conditionnelle, les attentes et l'indépendance des variables aléatoires avec des exemples pratiques.

Markov Chain Monte Carlo

Couvre la méthode Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings pour générer des échantillons à partir d'une distribution de probabilité cible.