Explore les outils et les techniques de gestion de la chaîne d'approvisionnement, y compris l'amélioration continue, l'analyse des risques et la gestion Lean.
Explore une régression robuste dans l'analyse des données génomiques, en mettant l'accent sur la pondération des résidus importants pour une meilleure précision des estimations et des mesures d'évaluation de la qualité telles que NUSE et RLE.
Discuter de l'évaluation de la qualité des données, de la fiabilité, de la représentativité et de la contribution du processus à l'évaluation du cycle de vie.
Couvre l'inférence, la construction de modèles, la sélection de variables, la robustesse, la régression régularisée, les modèles mixtes et les méthodes de régression.
Couvre l'analyse des données bivariées, la corrélation et les techniques de régression, y compris l'interprétation des coefficients et de la géométrie des moindres carrés.
Examine le développement durable, en mettant l'accent sur l'interaction entre les actions individuelles et collectives dans la réalisation du progrès social.
Couvre l'analyse de la variance, de la construction du modèle, de la sélection des variables et de l'estimation des fonctions dans les méthodes de régression.
Explore les concepts avancés dans les modèles de régression linéaire, y compris la multicolinéarité, les tests d'hypothèses et les valeurs aberrantes de manipulation.
Examine les exercices sur les mécanismes de fracture du verre, y compris le taux de libération d'énergie, la taille des défauts et le renforcement des fibres.
Couvre la régression quantile, en se concentrant sur l'optimisation linéaire pour prédire les résultats et discuter de la sensibilité aux valeurs aberrantes, de la formulation des problèmes et de la mise en œuvre pratique.
Introduit la modélisation fondée sur les données en mettant l'accent sur la régression, couvrant la régression linéaire, les risques de raisonnement inductif, l'APC et la régression des crêtes.
Explore des méthodes robustes et résistantes dans des modèles linéaires, en soulignant l'importance de gérer les observations extrêmes et les implications de la robustesse dans les modèles de régression.
Explore l'apprentissage supervisé en mettant l'accent sur les méthodes de régression, y compris l'ajustement des modèles, la régularisation, la sélection des modèles et l'évaluation du rendement.
