Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Concept

Biais (statistique)

Séances de cours associées (32)

Paramètre Estimation: Détection & Estimation

Couvre les concepts d'estimation des paramètres, y compris les estimateurs impartiaux et les informations de Fisher.

Modèles probabilistes pour la régression linéaire

Couvre le modèle probabiliste de régression linéaire et ses applications dans la résonance magnétique nucléaire et l'imagerie par rayons X.

Introduction à la détection quantique: estimation des paramètres et informations sur les pêcheurs

Présente Fisher Information pour l'estimation des paramètres basée sur les données recueillies.

Inférence de l'hypothèse-lean: Paramètres du modèle linéaire généralisé

Explore l'inférence des hypothèses pour les estimands statistiques dans les modèles linéaires généralisés, en mettant l'accent sur des approches robustes et génériques.

Mesures de risque et de retour

Couvre les mesures de risque et de rendement, l'impartialité et la cohérence des estimateurs.

Régression linéaire : perspective d'inférence statistique

Explore la régression linéaire dans une perspective d'inférence statistique, couvrant les modèles probabilistes, la vérité au sol, les étiquettes et les estimateurs de probabilité maximale.

Statistiques non paramétriques: Estimation et optimisation

Examine les statistiques non paramétriques, qui couvrent les méthodes d'estimation et le compromis entre les variables biaisées.

Critères de sélection du modèle : AIC, BIC, Cp

Explore les critères de sélection des modèles comme l'AIC, le BIC et le Cp en statistique pour la science des données.

Intervalles de confiance : Estimation gaussienne

Explore les intervalles de confiance, l'estimation gaussienne, l'inégalité Cramér-Rao et les estimations maximales de vraisemblance.

Estimation de la matrice piquée

Couvre l'algorithme AMP pour l'estimation des matrices enrichies et son application aux modèles de factorisation des matrices de bas grade et de GLM.

Statistiques pour la science des données: introduction aux méthodes statistiques

Couvre les concepts fondamentaux de la statistique et leur application dans la science des données.

Intervalles de confiance : définition et estimation

Explique les intervalles de confiance, les méthodes d'estimation des paramètres et le théorème de la limite centrale dans l'inférence statistique.

Moments de fréquence: Estimateurs et algorithmes

Couvre le concept de moments de fréquence et introduit des algorithmes pour les estimer efficacement.

Estimation et intervalles de confiance

Explore les biais, la variance et les intervalles de confiance dans l'estimation des paramètres à l'aide d'exemples et de distributions.

Estimation du rétrécissement des grandes matrices de covariance

Explorer l'estimation du rétrécissement des matrices de covariance à haute dimension, en comparant les approches linéaires et non linéaires pour une meilleure précision.

Observateurs Références

Explore l'ajout d'une entrée de référence aux contrôleurs et la conception d'estimateurs autonomes et de suivi-erreur.

Distributions d'échantillonnage: Théorie et applications

Explorer les distributions d'échantillonnage, les propriétés des estimateurs et les mesures statistiques pour les applications de la science des données.

Estimation statistique : modèle linéaire gaussien

Se penche sur l'estimation statistique, en mettant en évidence le modèle linéaire gaussien et les limites des estimateurs ML.

Paramètre Estimation & Fisher Information

Couvre l'estimation des paramètres, les informations de Fisher, l'estimateur non biaisé et les distributions exponentielles.

Statistiques non paramétriques et bayésiennes

Couvre les statistiques non paramétriques, l'estimation de la densité du noyau, les principes bayésiens et la somme de la distribution postérieure.