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 fondamentaux de probabilité et de statistiques, en se concentrant sur l'analyse des données, la représentation graphique et les applications pratiques.
Explore la méthodologie de conception expérimentale, y compris les plans classiques, la méthode simplex et l'analyse canonique pour les modèles linéaires et quadratiques.
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.
Explore la stabilité des petits signaux dans les systèmes électriques, en mettant l'accent sur la linéarisation, les valeurs propres, les vecteurs propres et l'analyse critique de la puissance.
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
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 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.