Explore le cadre de la théorie de la décision en théorie statistique, considérant les statistiques comme un jeu aléatoire avec des concepts clés tels que la recevabilité, les règles minimax et les règles Bayes.
Explore l'inférence statistique pour les données de banditisme, en mettant l'accent sur les actions de traitement personnalisées et les défis des estimateurs standards.
Couvre l'estimation maximale de la probabilité, en mettant l'accent sur l'estimation-distribution ML, l'estimation de la réduction et les fonctions de perte.
Introduit les principes fondamentaux de l'apprentissage statistique, couvrant l'apprentissage supervisé, la théorie de la décision, la minimisation des risques et l'ajustement excessif.
Explore l'optimalité dans la théorie de la décision et l'estimation impartiale, en mettant l'accent sur la suffisance, l'exhaustivité et les limites inférieures du risque.
Explore les défis en matière de contrôle, de sécurité et de coordination pour les systèmes autonomes comme les voitures autonomes, en mettant l'accent sur l'apprentissage sécuritaire et les équilibres Nash.
