Introduit la modélisation de comportement à travers un exemple simple, se concentrant sur les composants de modélisation de choix et l'analyse du marché de la voiture électrique.
Explore linférence de vraisemblance maximale, comparant les modèles basés sur les ratios de vraisemblance et démontrant avec un exemple de pièce de monnaie.
Explore les discussions de conception et la documentation dans le développement de logiciels, en mettant l'accent sur la programmation scientifique et les outils de documentation de code comme Doxygen et Sphinx.
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 distinction entre association et lien de causalité dans l'analyse statistique, en soulignant les limites de l'association dans l'inferration de lien de causalité.
Explore la modélisation des signaux neurobiologiques avec les chaînes Markov, en mettant l'accent sur l'estimation des paramètres et la classification des données.
Introduit des concepts d'inférence statistique, en se concentrant sur l'estimation des paramètres, les estimateurs non biaisés et l'estimation moyenne à l'aide de variables aléatoires indépendantes.
Examine l'inférence causale, en soulignant l'importance de s'engager dans une ontologie pour tirer des inférences causales et choisir des estimands appropriés.
Explore la rareté de l'apprentissage des réseaux de réaction chimique à partir des données de trajectoire à l'aide de méthodes fondées sur les données et d'approches d'apprentissage.
Explore la vraisemblance du Whittle déprécié pour les séries chronologiques et les données spatiales, en mettant l'accent sur l'adaptation de la densité spectrale au parodogramme pour de meilleures prédictions et une meilleure estimation des paramètres.
