Discute des distributions de probabilité et du théorème de la limite centrale, en soulignant leur importance dans la science des données et l'analyse statistique.
Explore l'exhaustivité, la suffisance minimale et les modèles statistiques spéciaux, en se concentrant sur les familles exponentielles et de transformation.
Couvre les bases de la régression linéaire, la méthode OLS, les valeurs prédites, les résidus, la notation matricielle, la bonté d'adaptation, les tests d'hypothèse et les intervalles de confiance.
Explore l'indépendance statistique, la corrélation, les fonctions de Gauss, l'estimation de la probabilité et les modèles de mélange gaussien pour le regroupement.
Explore les valeurs extrêmes dans les variables aléatoires, les applications dans les facteurs environnementaux, la modélisation de la fiabilité, la distribution maximale des blocs et la distribution générale de la valeur extrême.
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'inférence statistique, la suffisance et l'exhaustivité, en soulignant l'importance de statistiques suffisantes et le rôle de statistiques complètes dans la réduction des données.
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.
Introduit une analyse de régression, couvrant les modèles linéaires et non linéaires, la régression de Poisson et l'analyse du temps de défaillance à l'aide de divers ensembles de données.
Explore les classificateurs gaussiens, la classification des textures, l'estimation des paramètres, l'apprentissage supervisé et les réseaux neuronaux profonds dans le traitement d'images.
