Couvre les concepts fondamentaux de probabilité et de statistiques, en se concentrant sur l'analyse des données, la représentation graphique et les applications pratiques.
Explore l'analyse de vitesse de galaxie à travers des histogrammes, des boxplots et des placettes Q-Q pour la comparaison des modèles et la détection aberrante.
Couvre les techniques de réduction de dimensionnalité, de regroupement et d'estimation de la densité, y compris l'ACP, les moyennes K, le MGM et le décalage moyen.
Introduit les types de variables, la distribution multinomiale, les caractéristiques des données, les formes des densités, la corrélation et les méthodes de visualisation des données.
Couvre l'analyse statistique et la visualisation des données morphométriques, y compris la discrimination entre les types d'arbres et les calculs numpy.
Explorer la sélection des modèles dans les statistiques, discuter des principes, des modèles probabilistes, de l'évaluation des caractéristiques et des méthodes de visualisation des données.
Explore les graphiques 2D, les erreurs de manipulation, la création de diagrammes à barres et la visualisation des champs vectoriels dans Matlab/Octave.
Explore les signaux de débruitage avec des modèles de mélange gaussien et l'algorithme EM, l'analyse de signal EMG et la segmentation d'image à l'aide de modèles markoviens.
Couvre l'estimation de la densité du noyau axée sur la sélection de la bande passante, la malédiction de la dimensionnalité, le compromis entre les biais et les modèles paramétriques et non paramétriques.
Explore l'estimation non paramétrique à l'aide d'estimateurs de densité du noyau pour estimer les fonctions et les paramètres de distribution, en mettant l'accent sur la sélection de la bande passante pour une précision optimale.
