Passer au contenu principal

Recherche

Afficher tous les résultats pour

Accueil

Séance de cours

Régression non linéaire : solutions aux exercices

À propos
Confidentialité
Mentions légales

Copyright © 2026 EPFL, tous droits réservés

Graph Chatbot

Description

Cette séance de cours couvre le concept de régression non linéaire par l'utilisation de composants gaussiens pour la modélisation de la densité. Les sujets comprennent la probabilité de points échantillonnés à partir d'un PDF, des dimensions fixes et des fonctions de densité de probabilité GMM.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Source officielle

https://mediaspace.epfl.ch/media/0_0wf3nlca

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Séances de cours associées (31)

Régression non paramétrique : estimation basée sur le noyau

Couvre la régression non paramétrique à l'aide de techniques d'estimation basées sur le noyau pour modéliser des relations complexes entre les variables.

Méthodes de régression : Modèle de construction et d'inférence

Couvre l'inférence, la construction de modèles, la sélection de variables, la robustesse, la régression régularisée, les modèles mixtes et les méthodes de régression.

Analyse de régression : Désengagement des données

Couvre l'analyse de régression pour les données de désassemblage à l'aide de la modélisation de régression linéaire, des transformations, des interprétations des coefficients et des modèles linéaires généralisés.

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.

Régression linéaire et pondérée : paramètres optimaux et solutions locales

Couvre la régression linéaire et pondérée, les paramètres optimaux, les solutions locales, l'application SVR et la sensibilité des techniques de régression.