Couvre les distributions conditionnelles et les corrélations dans les statistiques multivariées, y compris la variance partielle et la covariance, avec les applications aux distributions non normales.
Explore les copules dans les statistiques multivariées, couvrant les propriétés, les erreurs et les applications dans la modélisation des structures de dépendance.
Explore les distributions de probabilité pour les variables aléatoires dans les études sur la pollution atmosphérique et le changement climatique, couvrant les statistiques descriptives et inférentielles.
Explore les modèles paramétriques dans l'analyse des données, couvrant les estimateurs de régression, les problèmes d'optimisation et les modèles statistiques.
Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.
Explore l'estimation de la probabilité maximale, la régression logistique, l'estimation de la covariance et les machines vectorielles de soutien pour les problèmes de classification.
Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.
