Couvre les techniques de réduction de dimensionnalité telles que PCA et LDA, les méthodes de clustering, l'estimation de la densité et la représentation des données.
Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.
Explore les modèles thématiques, les modèles de mélange gaussien, la répartition des dirichlets latents et l'inférence variationnelle dans la compréhension des structures latentes à l'intérieur des données.
Se penche sur les estimateurs de vraisemblance maximale, leurs propriétés et leur comportement asymptotique, en mettant l'accent sur la cohérence et la normalité asymptotique.
Introduit des concepts d'inférence statistique, en se concentrant sur l'estimation des paramètres, les estimateurs non biaisés et l'estimation moyenne à l'aide de variables aléatoires indépendantes.
Couvre la méthode Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings pour générer des échantillons à partir d'une distribution de probabilité cible.