Couvre le concept d'inférence moyenne-carré-erreur et d'estimateurs optimaux pour les problèmes d'inférence en utilisant différents critères de conception.
Couvre les bases de la régression linéaire dans l'apprentissage automatique, y compris la formation des modèles, les fonctions de perte et les mesures d'évaluation.
Explorer la sélection des modèles dans les statistiques, discuter des principes, des modèles probabilistes, de l'évaluation des caractéristiques et des méthodes de visualisation des données.
Couvre les principes fondamentaux de la théorie de la détection et de l'estimation, en se concentrant sur l'erreur moyenne au carré et le test d'hypothèses.
Explore la factorisation matricielle dans les systèmes de recommandation, couvrant l'optimisation, les mesures d'évaluation et les défis liés à la mise à l'échelle.
Explore le suivi des connaissances bayésiennes, les modèles linéaires généralisés et les algorithmes de clustering pour la découverte de structures dans les données comportementales.
