Introduit l'estimation bayésienne, qui couvre l'inférence classique par rapport à l'inférence bayésienne, les antécédents conjugués, les méthodes MCMC et des exemples pratiques comme l'estimation de la température et la modélisation de choix.
Discute des modèles de coefficients constants et aléatoires, de l'optimisation des facteurs et de l'estimation des interactions dans l'analyse des performances.
Discute de la distribution de Dirichlet, de l'inférence bayésienne, de la moyenne postérieure et de la variance, des antécédents conjugués et de la distribution prédictive dans le modèle de Dirichlet-Multinôme.
Explore les splines, en mettant l'accent sur la méthode des moindres carrés pour interpoler les splines et en démontrant son application à l'aide de MATLAB.
Explore la probabilité pénalisée et les splines cubiques naturelles, présentant la solution explicite unique et l'optimalité de l'interpolation spline.
Introduit l'interpolation de Lagrange pour rapprocher les points de données des polynômes, en discutant des défis et des techniques d'interpolation précise.
Couvre l'interpolation polynôme à la pièce avec les splines, en se concentrant sur l'interpolation Lagrange avec les nœuds Chebyshev et la convergence des erreurs.
