Stanford CS229 Machine Learning | Spring 2026 | Lecture 3: Weighted Least Squares

Ce cours magistral de Stanford offre une introduction solide et rigoureuse à la régression logistique et au maximum de vraisemblance. La progression pédagogique est bien pensée : on part de la régression linéaire déjà connue pour introduire le concept de modèle probabiliste, puis on l’étend à la classification. Cette approche permet de comprendre comment les mêmes principes sous-tendent différents modèles. La rigueur mathématique est présente, avec des dérivations claires et des explications sur les hypothèses (comme l’indépendance et la distribution identique des erreurs). Les sources sont institutionnelles (Stanford), ce qui renforce la crédibilité. Cependant, le titre annonce ‘Weighted Least Squares’ (moindres carrés pondérés), mais ce sujet n’est pas traité dans la vidéo ; il s’agit probablement d’une erreur de titre. De plus, la méthode de Newton est seulement mentionnée brièvement, sans détail. Le cours est destiné à un public ayant déjà des bases en algèbre linéaire et en probabilités, mais il reste accessible. L’argumentation est solide, et les explications sont claires. La qualité des sources est excellente, et le contenu est à jour (2026). En résumé, c’est un excellent cours pour comprendre les fondements de la classification et du maximum de vraisemblance, malgré un titre trompeur.

Le titre annonce la méthode des moindres carrés pondérés, mais la conférence couvre principalement la régression logistique et le maximum de vraisemblance. Le titre est donc partiellement trompeur.

8/10

Cours magistral de niveau universitaire (Stanford CS229) dispensé par des professeurs reconnus. Le contenu est rigoureux, fondé sur des principes mathématiques et statistiques établis. La présentation est claire et structurée, avec des explications pédagogiques. Les sources sont institutionnelles (Stanford).

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction au cours : classification, régression logistique, maximum de vraisemblance.
• 02:00Rappel de la régression linéaire et introduction à l'interprétation probabiliste.
• 05:00Modélisation des erreurs comme variables aléatoires gaussiennes IID.
• 10:00Dérivation du maximum de vraisemblance pour la régression linéaire.
• 20:00Introduction à la classification binaire et à la fonction sigmoïde.
• 30:00Dérivation de la régression logistique et de sa fonction de coût.
• 40:00Optimisation par descente de gradient pour la régression logistique.
• 50:00Mention de la méthode de Newton comme alternative d'optimisation.
• 1:00:00Conclusion et résumé des concepts clés.

• CS229 Course Website — Page officielle du cours avec syllabus et matériel pédagogique.
• Stanford AI Programs — Informations sur les programmes professionnels et diplômants en IA de Stanford.

• CS229 Course Website — Le site officiel du cours fournit les notes de cours et les exercices qui correspondent au contenu de la vidéo.