Couvre la probabilité maximale d'estimation dans l'inférence statistique, en discutant des propriétés MLE, des exemples et de l'unicité dans les familles exponentielles.
Explore l'inférence statistique, la suffisance et l'exhaustivité, en soulignant l'importance de statistiques suffisantes et le rôle de statistiques complètes dans la réduction des données.
Explore l'inférence statistique pour les modèles linéaires, couvrant l'ajustement du modèle, l'estimation des paramètres et la décomposition de la variance.
Couvre les bases de la théorie des probabilités, y compris les définitions, les calculs et les concepts importants pour l'inférence statistique et l'apprentissage automatique.
Explore les modèles paramétriques, les techniques d'estimation, les modèles de régression et les classificateurs basés sur les scores dans l'analyse des données.
Introduit la probabilité, les statistiques, les distributions, l'inférence, la probabilité et la combinatoire pour étudier les événements aléatoires et la modélisation en réseau.
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.
Couvre les intervalles de confiance, les tests d'hypothèse, les erreurs standard, les modèles statistiques, la probabilité, l'inférence bayésienne, la courbe ROC, la statistique Pearson, la bonté des tests d'ajustement et la puissance des tests.
Couvre les concepts d'inférence statistique, en mettant l'accent sur la connexion entre les données et la probabilité, les types de variables et les phases d'analyse des données.
