Multiple Linear Regression Analysis
在实际数据上实施多个线性回归：使用Python的假设检查，模型评估和结果解释。后来的多线性回归分析首先出现在数据科学上。
Linear Regression in Time Series: Sources of Spurious Regression
为什么错误术语的自相关关系很重要？时间序列的线性回归：伪造回归的来源首先出现在数据科学上。
What is Univariate Linear Regression? How is it Used in AI?
为什么重要：具体而言，单变量线性回归侧重于使用单个独立变量预测因变量。
How to Use Linear Regression in Machine Learning
为什么重要：如何在机器学习中使用线性回归？在统计和机器学习领域，线性回归可能是最著名和最容易理解的算法之一。
Complexity of Linear Regression related to Neural Networks
Udacity 深度学习课程的作业 #1 让你了解到，逻辑多项式（线性）回归模型可能无法提供非 MNIST 数据集分类问题所需的最佳准确度。让我们将逻辑多项式模型视为一种算法，并尝试计算它的复杂度。这里要考虑的两个参数是 W - 权重矩阵和 b - 具有 1 层的偏差矩阵。想象一下，输入图像是 28x28 图像，输出是 10 类向量。输入图像将被拉伸为输入到每个单元的单个像素。这使得输入层尺寸为 28x28。参数 W 的尺寸变为 (28x28)x10，它被添加到 10x1 偏差矩阵中。参数总数为：28x28x10+10 = (N+1)*K，其中 N 是输入数，K 是输出数。另一种理解方式是 -
Look for These 7 New Technologies at the Airport
在今年夏天的旅行期间，您可以在机场周围环顾四周，您可能会在每个接触点上发现一系列新技术：从前到达前，袋装和安全性到登机的那一刻。在这个新世界，您的脸是您的登机通行证，您的电子行李标签会为每次新飞行而变化，而Gate扫描仪会导线切线，试图尽早偷偷溜到飞机上。这不是未来 - 现在。今天要遵循的每种技术都在世界各地的机场中使用，改变了您的旅程前的journey。正确的答案需要预测安全线的长度。但是在某些机场，您不再需要猜测。实际上，您根本不必排队等待。取而代之的是，您可以提前预订并为安全筛查选择特定的时间 - 因此，您可以在保留插槽之前到达，确信您将被驱逐到线的前面，这要归功于哥本哈根优化的虚拟排队
Building High-Performance Machine Learning Models in Rust
Rust 提供无与伦比的速度和内存安全性。使用 Linfa 库，开发人员可以高效地实现线性回归和 k-means 聚类等任务。
How to Get Started on Your Data Science Career Journey
初学者在选择数据科学和 AI/ML 技能提升资源时需要考虑的六个方面照片由 Zach Graves 在 Unsplash 上拍摄简介照片由 Jonathan Kemper 在 Unsplash 上拍摄显而易见，在过去十年中，数据科学已发展成为市场上最抢手的技能之一。传统企业、科技公司、咨询公司、初创公司 — — 随便什么 — — 都在不断招聘数据科学专业人士。该领域对经验丰富的专家的需求量大，而供应相对短缺，使其成为一个非常有利可图的职业机会。要进入该领域并取得成功，您不仅需要深入了解可用的算法和软件包，还需要培养对哪些方法适用于哪些用例的直觉。此外，您还需要学习如何将现实世界的问题转化为数据
How to regularize your regression
制药应用中的一系列回归实例。我们能否从类似的特定领域数据中学习如何设置正则化参数 \（\lambda\）？概述。实际因变量 \（y\）和特征向量 \（X\）之间最简单的关系可能是线性模型 \（y = \beta X\）。给定一些由特征和因变量对 \（（X_1，y_1），（X_2，y_2），\dots，（X_m，y_m）\）组成的训练示例或数据点，我们希望学习 \（\beta\），在给定未见过的示例的特征 \（X’\）的情况下，哪个会给出最佳预测 \（y’\）。将线性模型 \（\beta\）拟合到数据点的过程称为线性回归。这种简单而有效的模型在生物、行为和社会科学、环境研究和金融预测等领域有着广
本月我的阅读清单与往常略有不同。我回顾了《计量经济学》和《计量经济学杂志》的往期期刊，并挑选了一些恰好发表在这些期刊 7 月期刊上的重要且有趣的论文。以下是我为您推荐的：Aigner, D.、C. A. K. Lovell 和 P. Schmidt，1977 年。《随机前沿生产函数模型的公式和估计》。《计量经济学杂志》，6，21-37。Chow, G. C.，1960 年。《两个线性回归系数集之间的相等性检验》。《计量经济学》，28，591-605。Davidson, R. 和 J. G. MacKinnon，1984 年。《logit 和 probit 模型的便捷规范检验》。计量经济学杂志，
以下是我本月的建议：Bun, M. J. G. & T. D. Harrison，2109。包括内生交互项的回归模型的 OLS 和 IV 估计。计量经济学评论，38，814-827。Dufour, J-M.、E. Flachaire 和 L. Khalaf，用于比较不平等度量的置换检验。商业和经济统计杂志，37，457-470。Jiao, X. & F. Pretis，2018。测试回归模型中是否存在异常值。可在 SSRN 上获取：https://ssrn.com/abstract=3217213。Stanton, J. M.，2001。Galton、Pearson 和豌豆：面向统计学讲师的线
