Explore les modèles additifs généralisés, couvrant les bases, les fonctions lisses, les pénalités, les exemples pratiques en R, et les modèles mixtes linéaires.
Couvre les moindres carrés pondérés itératifs, la régression de Poisson et l'analyse bayésienne des données sur l'orge de printemps à l'aide de modèles mixtes.
Couvre les moindres carrés pondérés itératifs, la vérification du modèle, la régression de Poisson et lajustement des modèles multinomiels en utilisant les erreurs de Poisson.
Explore l'estimation de la probabilité maximale, la régression logistique, l'estimation de la covariance et les machines vectorielles de soutien pour les problèmes de classification.
Explore le suivi des connaissances bayésiennes, les modèles linéaires généralisés et les algorithmes de clustering pour la découverte de structures dans les données comportementales.