Couvre les intervalles de confiance, les tests d'hypothèse, les erreurs standard, les modèles statistiques, la probabilité, l'inférence bayésienne, la courbe ROC, la statistique Pearson, la bonté des tests d'ajustement et la puissance des tests.
Introduit le test chi-carré pour le test d'hypothèse par rapport aux distributions théoriques, en présentant son application avec des tests d'équité des dés.
Explore les tests statistiques pour l'indépendance et l'homogénéité, y compris les tests chi-carré et le test exact de Fisher, avec des exemples pratiques et des applications.
S'inscrit dans les limites fondamentales de l'apprentissage par gradient sur les réseaux neuronaux, couvrant des sujets tels que le théorème binôme, les séries exponentielles et les fonctions génératrices de moments.
Explore les tests de spécification, l'apprentissage automatique, le surajustement, la régularisation, les tests de prédiction et la sélection de variables.
Explore les vecteurs gaussiens, les fonctions génératrices de moment, l'indépendance, les fonctions de densité, les transformations affines et les formes quadratiques.
Couvre les concepts fondamentaux des probabilités et des statistiques, y compris la régression linéaire, les statistiques exploratoires et l'analyse des probabilités.
