Introduit k-Nearest Neighbors pour la classification et l'expansion des fonctionnalités pour gérer les données non linéaires via des entrées transformées.
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.
Introduit des opérateurs proximaux et des méthodes de gradient conditionnel pour les problèmes convexes composites de minimisation dans l'optimisation des données.
Introduit la méthode k-Nearest Neighbors et l'expansion des fonctionnalités pour l'apprentissage non linéaire de la machine par des transformations polynômes.
Couvre les problèmes linéaires, le LASSO et l'AMP dans l'apprentissage supervisé, y compris les modèles linéaires généralisés et les modèles N-dimensionnels.
Se concentre sur l'inférence à grande échelle pour la détection des points chauds QTL dans les modèles de régression clairsemée, soulignant la nécessité d'utiliser la génomique pour comprendre la variation des phénotypes et la susceptibilité à la maladie.
