Explore l'apprentissage des modèles graphiques avec les estimateurs M, la régression des processus Gaussiens, la modélisation Google PageRank, l'estimation de la densité et les modèles linéaires généralisés.
Explore une régression robuste dans l'analyse des données génomiques, en mettant l'accent sur la pondération des résidus importants pour une meilleure précision des estimations et des mesures d'évaluation de la qualité telles que NUSE et RLE.
Explore la régression linéaire dans une perspective d'inférence statistique, couvrant les modèles probabilistes, la vérité au sol, les étiquettes et les estimateurs de probabilité maximale.
Explorer des modèles linéaires généralisés pour les données non gaussiennes, couvrant l'interprétation de la fonction de liaison naturelle, la normalité asymptotique MLE, les mesures de déviance, les résidus et la régression logistique.
Explore le phénomène Stein, présentant les avantages du biais dans les statistiques de grande dimension et la supériorité de l'estimateur James-Stein sur l'estimateur de probabilité maximale.
Explore l'analyse de régression, la modélisation cinétique, l'estimation des paramètres et la modélisation de la concentration d'ozone atmosphérique à l'aide de relations linéaires et de diagrammes de dispersion.
Explore des méthodes robustes et résistantes dans des modèles linéaires, en soulignant l'importance de gérer les observations extrêmes et les implications de la robustesse dans les modèles de régression.
