Présente les principes fondamentaux de la régression dans l'apprentissage automatique, couvrant la logistique des cours, les concepts clés et l'importance des fonctions de perte dans l'évaluation des modèles.
Explore les propriétés stochastiques et la modélisation des séries chronologiques, couvrant l'autocovariance, la stationnarité, la densité spectrale, l'estimation, la prévision, les modèles ARCH et la modélisation multivariée.
Couvre les propriétés stochastiques des séries temporelles, de la stationnarité, de l'autocovariance, des processus stochastiques spéciaux, de la densité spectrale, des filtres numériques, des techniques d'estimation, du contrôle des modèles, de la prévision et des modèles avancés.
Explore les promenades aléatoires sur des espaces discrets et leurs propriétés, y compris les variables aléatoires multivariées et les distributions de Poisson.
Explore les méthodes avancées d'acceptation-rejet, l'échantillonnage à partir de la distribution normale et la génération de variables aléatoires multivariées.
Explore les théorèmes de limite extrême et l'analyse statistique pour l'analyse d'événements extrêmes comme les précipitations du Venezuela et les données de Venise.
Couvre la quantification des distributions de probabilité, le regroupement statistique des moyennes k, l'estimation moyenne, les méthodes de regroupement robustes et les questions de recherche ouvertes.