Couvre les techniques d'estimation spectrale comme la réduction et l'estimation paramétrique, en soulignant l'importance des modèles AR et la probabilité de Whittle dans l'analyse des séries chronologiques.
Explore l'analyse des données neurophysiologiques, couvrant l'identification AP, les taux de tir, l'activité sous le seuil, l'analyse spectrale FFT et l'analyse déclenchée par des événements à l'aide de MATLAB.
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 régression linéaire dans une perspective d'inférence statistique, couvrant les modèles probabilistes, la vérité au sol, les étiquettes et les estimateurs de probabilité maximale.
Couvre l'estimation spectrale dans l'analyse des séries chronologiques, y compris les noyaux d'imagerie, les méthodes de compression et les modèles AR.
Explore les méthodes d'estimation du spectre paramétrique, y compris les spectres linéaires et lisses, et se penche sur l'analyse de la variabilité de la fréquence cardiaque.
Explore les fondamentaux du traitement des signaux, y compris les signaux de temps discrets, la factorisation spectrale et les processus stochastiques.
Explore les modèles de signaux paramétriques, y compris les processus AR et les chaînes de Markov, couvrant la synthèse, l'analyse et les structures de corrélation.