Séances de cours associées à Régression linéaire : absence ou présence de covariables

Essai de régression linéaire

Explorer les moindres carrés dans la régression linéaire, les essais d'hypothèses, les aberrations et les hypothèses du modèle.

Projections orthogonales: Méthode Gram-Schmidt

Explore les projections orthogonales et la méthode de Gram-Schmidt pour construire des bases.

Sous-espaces, spectres et projections

Explore les sous-espaces, les spectres et les projections en algèbre linéaire, y compris les matrices symétriques et les projections orthogonales.

Algèbre linéaire: Décomposition de la valeur singulière

Déplacez-vous dans la décomposition de valeur singulière et ses applications dans l'algèbre linéaire.

Analyse de corrélation canonique: Vue d'ensemble

Couvre l'analyse canonique de corrélation, une méthode pour trouver des relations entre deux ensembles de variables.

Décomposition de la valeur singulière : applications et interprétation

Explique la construction de U, la vérification des résultats et l'interprétation de SVD dans la décomposition matricielle.

Régression linéaire : Inférence statistique et régularisation

Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.

Décomposition des valeurs propres et des vecteurs propres

Couvre la décomposition d'une matrice dans ses valeurs propres et ses vecteurs propres, l'orthogonalité des vecteurs propres et la normalisation des vecteurs.

Modèles linéaires : Les moindres carrés

Explore les modèles linéaires, les moindres carrés, les vecteurs gaussiens et les méthodes de sélection des modèles.

Orthogonalité et projection

Couvre l'orthogonalité, les produits scalaires, les bases orthogonales et la projection vectorielle en détail.

Polynômes caractéristiques et matrices similaires

Explore les polynômes caractéristiques, la similarité des matrices et les valeurs propres dans les transformations linéaires.

Décomposition de valeur singulière: vecteurs orthogonaux et décomposition matricielle

Explique la décomposition de la valeur singulière, en se concentrant sur les vecteurs orthogonaux et la décomposition matricielle.

Projections orthogonales en Algèbre linéaire

Explore les projections orthogonales, les bases orthonormales et la factorisation QR dans l'algèbre linéaire.

Projection orthogonale en algèbre linéaire

Explique la projection orthogonale en algèbre linéaire, en se concentrant sur la transformation des bases non orthogonales en bases orthogonales.

Régression linéaire : méthode des moindres carrés

Explique la méthode des moindres carrés dans la régression linéaire pour trouver la ligne la mieux adaptée à un ensemble de points de données.

Factorisation QR : Résolution du système des moindres carrés

Couvre la méthode de factorisation QR appliquée à la résolution d'un système d'équations linéaires au sens des moindres carrés.

Bases orthogonales et projection

Introduit les bases orthogonales, la projection sur les sous-espaces, et le processus Gram-Schmidt dans l'algèbre linéaire.

Algèbre linéaire : projection orthogonale et factorisation QR

Explore le processus Gram-Schmidt, la projection orthogonale, la factorisation QR et les solutions de moindres carrés pour les systèmes linéaires.

Décomposition de la valeur singulaire (SVD)

Couvre en détail la décomposition de la valeur singulière (SVD), y compris les propriétés des matrices et la linéarité du système.

Régression linéaire : bases et estimation

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.