Explore des exemples spéciaux de modèles linéaires généralisés, couvrant la régression logistique, les modèles de données de comptage, les problèmes de séparation et les relations non paramétriques.
Couvre le calcul et l'estimation dans la simulation stochastique, en se concentrant sur la génération de répliques iid et l'échantillonnage d'importance optimale.
Explore la modélisation des signaux neurobiologiques avec les chaînes Markov, en mettant l'accent sur l'estimation des paramètres et la classification des données.
Couvre le processus de balayage des paramètres dans QUCS, en se concentrant sur la configuration du type de simulation 'parameter sweep' avec des valeurs linéaires.
Couvre l'algorithme Metropolis-Hastings et les approches basées sur les gradients pour biaiser les recherches vers des valeurs de vraisemblance plus élevées.
Introduit la modélisation de comportement à travers un exemple simple, se concentrant sur les composants de modélisation de choix et l'analyse du marché de la voiture électrique.
