Explore l'intégration de l'apprentissage automatique dans des modèles à choix discrets, en soulignant l'importance des contraintes théoriques et des approches hybrides de modélisation.
Explore la découverte causale à l'aide de modèles variables latents, en mettant l'accent sur les défis et les solutions pour déduire les relations causales à partir de données non gaussiennes.
Explore l'approche structurée de l'analyse exploratoire des données spatiales, en soulignant l'importance des cadres analytiques et du mantra de recherche visuelle.
Explore les méthodes de Préférences Étatées (SP), les modèles de choix et la conception expérimentale pour prédire le comportement individuel et la demande du marché.
Couvre les progrès récents de l'apprentissage structurel pour les modèles graphiques, y compris les modèles gaussiens, les modèles mixtes et les événements extrêmes.
Introduit une analyse exploratoire des données en santé environnementale, couvrant sa définition, ses techniques et ses applications dans l'analyse des données géoréférencées sur la santé.
Couvre l'analyse de sensibilité dans l'évaluation du cycle de vie, explorant l'impact des variations des paramètres sur les résultats environnementaux.
