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.
Discute des arbres de décision et des forêts aléatoires, en se concentrant sur leur structure, leur optimisation et leur application dans les tâches de régression et de classification.
Explore l'estimation du maximum de vraisemblance dans les modèles linéaires, couvrant le bruit gaussien, l'estimation de la covariance et les machines vectorielles de support pour les problèmes de classification.
Couvertures Modèles linéaires généralisés, probabilité, déviance, fonctions de liaison, méthodes d'échantillonnage, régression de Poisson, surdispersion et modèles de régression alternatifs.
Introduit l'apprentissage automatique scientifique, en mettant l'accent sur son application dans divers domaines scientifiques et sur le lien entre l'apprentissage automatique et la physique.
