Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Explore l'inférence statistique pour les modèles linéaires, couvrant l'ajustement du modèle, l'estimation des paramètres et la décomposition de la variance.
Couvre les problèmes linéaires, le LASSO et l'AMP dans l'apprentissage supervisé, y compris les modèles linéaires généralisés et les modèles N-dimensionnels.
Couvre les diagnostics de régression pour les modèles linéaires, en soulignant limportance de vérifier les hypothèses et didentifier les valeurs aberrantes et les observations influentes.
Explore les modèles linéaires, les surajustements et l'importance de l'expansion des fonctionnalités et ajoute plus de données pour réduire les surajustements.
Explore le bruit dans l'électronique, couvrant la puissance moyenne, le rapport signal/bruit, les signaux déterministes et aléatoires et l'amplification du bruit.
Introduit les fondamentaux du bruit dans l'électronique, couvrant les origines, les types de signaux, les caractéristiques de puissance et les sources de bruit.
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.
Explore les fondamentaux du laser, les sources sonores et les technologies de direction de faisceau à l'aide de fibres optiques et de lasers ultrarapides.
Discute de diverses sources de bruit dans les détecteurs optiques, y compris le bruit de tir, le bruit thermique et leurs implications sur les performances de détection.
Couvre des stratégies pour lutter contre les sources de bruit dans les mesures électroniques et explore des techniques pour atténuer le bruit et améliorer la précision des mesures.
Introduit des modèles linéaires pour l'apprentissage supervisé, couvrant le suréquipement, la régularisation et les noyaux, avec des applications dans les tâches d'apprentissage automatique.
