Introduit la probabilité, les statistiques, les distributions, l'inférence, la probabilité et la combinatoire pour étudier les événements aléatoires et la modélisation en réseau.
Discute des méthodes d'estimation en probabilité et en statistiques, en se concentrant sur l'estimation du maximum de vraisemblance et les intervalles de confiance.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Explore l'indépendance et la probabilité conditionnelle dans les probabilités et les statistiques, avec des exemples illustrant les concepts et les applications pratiques.
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 les signaux de débruitage avec des modèles de mélange gaussien et l'algorithme EM, l'analyse de signal EMG et la segmentation d'image à l'aide de modèles markoviens.
Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.
Explore la sélection des modèles en utilisant les critères AIC et BIC, en répondant à différentes questions et à l'importance de la parcimonie dans la sélection du meilleur modèle.
Explore la régression logistique pour la classification binaire, couvrant la modélisation des probabilités, les méthodes d'optimisation et les techniques de régularisation.
