Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Explore la dépendance dans les vecteurs aléatoires, couvrant la densité articulaire, l'indépendance conditionnelle, la covariance et les fonctions génératrices de moment.
Explore la mémoire longue dans les séries temporelles et les processus d'hétéroskédasticité conditionnelle autorégressive dans les données financières.
Explore la dépendance, la corrélation et les attentes conditionnelles en matière de probabilité et de statistiques, en soulignant leur importance et leurs limites.
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.
Couvre les variables aléatoires gaussiennes, les transformations d'affines et les systèmes linéaires entraînés par le bruit gaussien dans le contrôle multivariable.
