S'insère dans l'évaluation du modèle, couvrant la théorie, l'erreur de formation, l'erreur de prédiction, les méthodes de rééchantillonnage et les critères d'information.
Couvre les modèles ARMA pour la prévision des séries chronologiques, en discutant des implications, des propriétés des erreurs de prévision, des défis avec les prédictions et des modèles de covariance.
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.
Se lance dans le développement de systèmes d'intelligence pour prédire le comportement humain et améliorer la sécurité et l'efficacité des technologies basées sur l'IA.
Explore la cohérence prédictive dans les systèmes de prévision séquentielle, en mettant l'accent sur l'utilité de la prédiction sur l'estimation et sur l'importance des approches préalables.
Explore les réseaux neuronaux récurrents pour les données comportementales, couvrant le repérage de connaissances profondes, les réseaux LSTM, GRU, le réglage hyperparamétrique et les tâches de prévision de séries chronologiques.
Explore la sélection des modèles dans la régression des moindres carrés, en abordant les défis de multicollinéarité et en introduisant des techniques de rétrécissement.
Couvre les principes et les applications de la régression linéaire, en mettant l'accent sur la construction d'un modèle simple pour faire des suggestions.
Discuter du compromis entre les variables biaisées dans l'apprentissage automatique, en mettant l'accent sur l'équilibre entre la complexité du modèle et l'exactitude des prédictions.
