Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.
Explore les modèles génératifs, la régression logistique et la distribution gaussienne pour approximer les probabilités postérieures et optimiser les performances du modèle.
Fournit un aperçu des modèles linéaires généralisés, en mettant l'accent sur les modèles de régression logistique et de Poisson, et leur mise en oeuvre dans R.
Explore d'autres variances spécifiques dans les modèles de mélange et discute des questions d'identification et des comparaisons de modèles à l'aide de 500 dessins.
Introduit des concepts d'inférence statistique, en se concentrant sur l'estimation des paramètres, les estimateurs non biaisés et l'estimation moyenne à l'aide de variables aléatoires indépendantes.
Explorer l'interprétation des modèles de régression logistique, l'estimation des paramètres et la comparaison des modèles à l'aide de tests de rapport de probabilité.
Explore l'analyse de régression logistique des données sur le crabe en fer à cheval, en se concentrant sur l'interprétation du rapport de cotes et l'ajustement du modèle.
Explore les classes latentes dans les modèles de mélange pour la modélisation à choix discret à l'aide de l'ensemble de données Swissmetro, en discutant des modèles spécifiques à la classe et de l'estimation aléatoire des paramètres.
Explore la modélisation des signaux neurobiologiques, en se concentrant sur les pics, la vitesse de tir, plusieurs neurones d'état, et l'estimation des paramètres.
