Introduit une analyse de régression pour la modélisation de données multivariées, couvrant l'algèbre matricielle, l'interprétation des coefficients et les intervalles d'essai.
Explore le compromis entre les variables de biais dans l'estimation des crêtes, montrant comment un peu de biais peut augmenter l'erreur carrée moyenne en réduisant la variance.
Explore la théorie de la distribution des estimateurs des moindres carrés dans un modèle linéaire gaussien, en mettant l'accent sur la construction des intervalles de précision et de confiance.
Explore les dangers des « grands » modèles, des questions de multicollinéarité et de l'analyse de l'ajustement des modèles dans les statistiques pour la science des données.
Explore l'apprentissage des modèles graphiques avec les estimateurs M, la régression des processus Gaussiens, la modélisation Google PageRank, l'estimation de la densité et les modèles linéaires généralisés.
Explore les algorithmes distribués pour les systèmes de contrôle en réseau, couvrant le consensus, la régression des moindres carrés et les réseaux de communication variables dans le temps.
Couvre les modèles d'estimation statistique, les estimateurs de ML, les machines d'apprentissage, les problèmes pratiques et les défis de l'estimation.
Explore l'application de l'algèbre linéaire dans la science des données, couvrant la réduction de la variance, la théorie de la distribution des modèles et les estimations du maximum de vraisemblance.
Couvre les bases de la régression linéaire, la méthode OLS, les valeurs prédites, les résidus, la notation matricielle, la bonté d'adaptation, les tests d'hypothèse et les intervalles de confiance.
