Explore les protocoles d'évaluation dans l'apprentissage automatique, y compris le rappel, la précision, la précision et la spécificité, avec des exemples du monde réel comme les tests COVID-19.
Introduit des statistiques inférentielles, couvrant l'échantillonnage, la tendance centrale, la dispersion, les histogrammes, les scores z et la distribution normale.
Couvre l'algorithme Metropolis-Hastings et le diagnostic de convergence dans la simulation stochastique, en se concentrant sur l'échantillonnage et la génération de propositions.
Explorer l'analyse des composantes principales pour la réduction des dimensions des ensembles de données et ses implications pour les algorithmes d'apprentissage supervisés.
Couvre un échantillonnage important pour une estimation Monte Carlo efficace des valeurs attendues en utilisant une nouvelle distribution pour réduire la variance.
