Fournit un aperçu des modèles linéaires généralisés, en mettant l'accent sur les modèles de régression logistique et de Poisson, et leur mise en oeuvre dans R.
Explore l'apprentissage supervisé en économétrie financière, en mettant l'accent sur les algorithmes de classification comme Naive Bayes et la régression logistique.
Introduit une estimation de la probabilité maximale pour l'estimation des paramètres statistiques, couvrant le biais, la variance et l'erreur carrée moyenne.
Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.
Introduit une régression linéaire et logistique, couvrant les modèles paramétriques, la prédiction multi-sorties, la non-linéarité, la descente de gradient et les applications de classification.
Introduit la méthode généralisée des moments (GMM) en économétrie, en se concentrant sur son application dans les modèles destimation des variables instrumentales et de tarification des actifs.
Couvre les méthodes pour définir la tempête de conception, la distribution empirique des maxima de pluie, la distribution de Gumbel, et les relations intensité-durée-fréquence.
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.
Explore l'indépendance statistique, la corrélation, les fonctions de Gauss, l'estimation de la probabilité et les modèles de mélange gaussien pour le regroupement.
