Couvre les bases de la régression linéaire et la façon de résoudre les problèmes d'estimation en utilisant les moindres carrés et la notation matricielle.
Couvre la théorie des probabilités, les distributions et l'estimation dans les statistiques, en mettant l'accent sur la précision, la précision et la résolution des mesures.
Explore la prédiction linéaire, les coefficients de prédiction, la minimisation de l'erreur quadratique moyenne et l'algorithme de Levinson-Durbin dans le traitement du signal.
Explore les outils de traitement statistique des signaux pour les communications sans fil, y compris l'estimation spectrale et la détection, la classification et le filtrage adaptatif des signaux.
Explore la prédiction linéaire, les filtres optimaux, les signaux aléatoires, la stationnarité, l'autocorrélation, la densité spectrale de puissance et la transformée de Fourier dans le traitement du signal.
Discute des arbres de régression, des méthodes d'ensemble et de leurs applications dans la prévision des prix des voitures d'occasion et des rendements des stocks.
Couvre les bases de la régression linéaire, des variables instrumentales, de l'hétéroscédasticité, de l'autocorrélation et de l'estimation du maximum de vraisemblance.
Explore la densité spectrale de puissance, le théorème de Wiener-Khintchine, l'ergonomie et l'estimation de corrélation dans les signaux aléatoires pour le traitement du signal.
Aborde l'ajustement excessif dans l'apprentissage supervisé par le biais d'études de cas de régression polynomiale et de techniques de sélection de modèles.
