Couvre les phénomènes spatiaux continus et les isovalences dans les systèmes d'information géographique, y compris les méthodes d'interpolation et les exemples de courbes d'isovalence pour divers facteurs environnementaux.
Couvre les perceptrons multicouches (MLP) et leur application de la classification à la régression, y compris le théorème d'approximation universelle et les défis liés aux gradients.
Couvre les variables discrètes dans les systèmes d'information géographique et leurs propriétés géométriques, y compris l'arrangement spatial et l'autocorrélation.
Couvre les indicateurs de relief globaux, les modèles d'altitude, la pente, l'orientation, la courbure et les indices morphologiques pour la description du terrain.
Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.
Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.
Explore les techniques de régression non paramétrique, y compris les splines, le compromis entre les variables de biais, les fonctions orthogonales, les ondulations et les estimateurs de modulation.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
