regression

本课程主要目的在于介绍生物统计学的基本观念与应用，进而培养学生分析资料的能力。课程将由讨论科学方法为起点，介绍叙述统计，统计分布，信赖区间，t-test，变异数分析与线性回归等各种统计方法。 利用sas软件分析，建立学生对资料数据的处理，结果之研判及实验工作的规划(采用统计设计方式)

本课程主要目的在于介绍生物统计学的基本观念与应用，进而培养学生分析资料的能力。课程将由讨论科学方法为起点，介绍叙述统计，统计分布，信赖区间，t-test，变异数分析与线性回归等各种统计方法。 利用sas软件分析，建立学生对资料数据的处理，结果之研判及实验工作的规划(采用统计设计方式)

逻辑回归（Logistic Regression）主要是用于分类问题的。分类问题，即对数据集中的数据进行分类，区分出两个或多个类别。 例如，之前提到的邮箱判定是否为垃圾邮件的算法，即一类分类算法：区分一封邮件是垃圾邮件，或是非垃圾邮件

你总能编写更多测试。但是很快就会发现，在所有想得出来的测试中只有很小一部分是真正有用的。你想要的是编写你觉得能运作但却失败的测试，或者你觉得必将失败但却成功了的测试

为了培养应用统计研究生的需要，我院于9月-10月邀请苏州大学马学俊副教授，暨南大学王国长教授，昆明理工大学吴刘仓教授，举办了研究生院“知行”讲堂系列报告。理学院部分专业教师、全体硕士研究生此次报告会。会议由陈锋老师主持，采取腾讯会议进行

有监督学习(Supervised Learning)：我们有一个数据集，如果对于每一个单一的数据根据它的特征向量我们要去判断它的标签（算法的输出值），那么就是有监督学习。通俗的说，有监督学习就是比无监督学习多了一个可以表达这个数据特质的标签。 有监督学习，分为两个大类： 1.回归分析(Regression Analysis)：回归分析，其数据集是给定一个函数和它的一些坐标点，然后通过回归分析的算法，来估计原函数的模型，求出一个最符合这些已知数据集的函数解析式

这是一篇推荐系统相关的论文，场景是谷歌 Play Store 的 App 推荐。文章开头，作者点明推荐系统需要解决的两个能力： memorization 和 generalization。 memorization 指的是学习数据中出现过的组合特征能力

这些特征的处理方式和候选生成网络类似，不同之处是排序网络的顶部是一个加权逻辑回归（weighted logistic regression），它对所有候选视频进行打分，从高到底排序后将分数较高的一些视频返回给用户。 融合推荐模型 本节会使用卷积神经网络（Convolutional Neural Networks）来学习电影名称的表示。下面会依次介绍文本卷积神经网络以及融合推荐模型

scikit-learn(sklearn)是机器学习中经典的专用库，涵盖了几乎所有主流机器学习算法，包括分类(Classfication)、聚类(Clustering)、回归(Regression)、降维(Dimensionality Reduction)等，还包括了特征提取，数据处理和模型评估者三大模块。 scikit-learn支持跨平台，功能强大。该项目于2007年作为Google的Code of Code夏季项目，并于2010年2月1日进行了首次公开发布