Couvre les exercices sur la modélisation statistique, y compris Gibbs Ising, la taille du GCM, l'équité et la simplification dans les modèles enseignants-étudiants.
Couvre l'utilisation de machines vectorielles de support pour la classification multi-classes et l'importance des vecteurs de support dans les limites de classification de serrage.
Introduit le classificateur Naive Bayes, qui couvre les hypothèses d'indépendance, les probabilités conditionnelles et les applications dans la classification des documents et le diagnostic médical.
Explore les modèles paramétriques, les techniques d'estimation, les modèles de régression et les classificateurs basés sur les scores dans l'analyse des données.
Explore les règles de voisinage les plus proches, les défis de l'algorithme k-NN, le classificateur Bayes et l'algorithme k-means pour le regroupement.
Explique le classificateur K-Nearest Neighbors, en attribuant des étiquettes basées sur les points les plus proches et en lissant le bruit dans les étiquettes.
Explore les choix discrets et l'apprentissage automatique comme méthodes complémentaires, en discutant de l'apprentissage supervisé, des avantages du modèle, des pièges, des biais d'agrégation, de la classification probabiliste et des données de panel.
Introduit k-Nearest Neighbors pour la classification et l'expansion des fonctionnalités pour gérer les données non linéaires via des entrées transformées.
Explore l'inférence bayésienne pour les variables aléatoires gaussiennes, couvrant la distribution articulaire, les pdf marginaux et le classificateur Bayes.
