Discute des méthodes d'estimation en probabilité et en statistiques, en se concentrant sur l'estimation du maximum de vraisemblance et les intervalles de confiance.
Explore l'estimation statistique, comparant les estimateurs basés sur la moyenne et la variance, et plongeant dans l'erreur carrée moyenne et Cramér-Rao lié.
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.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Explore les modèles paramétriques, les techniques d'estimation, les modèles de régression et les classificateurs basés sur les scores dans l'analyse des données.
Explorer la densité de calcul des états et l'inférence bayésienne à l'aide d'un échantillonnage d'importance, montrant une variance inférieure et la parallélisation de la méthode proposée.
Introduit des concepts d'inférence statistique, en se concentrant sur l'estimation des paramètres, les estimateurs non biaisés et l'estimation moyenne à l'aide de variables aléatoires indépendantes.
Explore l'inférence statistique pour les modèles linéaires, couvrant l'ajustement du modèle, l'estimation des paramètres et la décomposition de la variance.
Explore l'optimalité dans la théorie de la décision et l'estimation impartiale, en mettant l'accent sur la suffisance, l'exhaustivité et les limites inférieures du risque.
Explore le phénomène Stein, présentant les avantages du biais dans les statistiques de grande dimension et la supériorité de l'estimateur James-Stein sur l'estimateur de probabilité maximale.