Séances de cours associées à Estimateurs et biais

Modèles probabilistes pour la régression linéaire

Couvre le modèle probabiliste de régression linéaire et ses applications dans la résonance magnétique nucléaire et l'imagerie par rayons X.

Introduction à la détection quantique: estimation des paramètres et informations sur les pêcheurs

Présente Fisher Information pour l'estimation des paramètres basée sur les données recueillies.

Estimation et intervalles de confiance

Explore les biais, la variance et les intervalles de confiance dans l'estimation des paramètres à l'aide d'exemples et de distributions.

Estimation statistique

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.

Intervalles de confiance : définition et estimation

Explique les intervalles de confiance, les méthodes d'estimation des paramètres et le théorème de la limite centrale dans l'inférence statistique.

Estimation des points dans les statistiques

Explore l'estimation ponctuelle dans les statistiques, en discutant du biais, de la variance, de l'erreur quadratique moyenne et de la cohérence des estimateurs.

Partialité, variance, cohérence, EMV

Couvre le biais, la variance, l'erreur carrée moyenne, la cohérence et l'estimation de la probabilité maximale dans le modèle Poisson.

Critères de sélection du modèle : AIC, BIC, Cp

Explore les critères de sélection des modèles comme l'AIC, le BIC et le Cp en statistique pour la science des données.

Régression linéaire : perspective d'inférence statistique

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.

Statistiques pour la science des données: introduction aux méthodes statistiques

Couvre les concepts fondamentaux de la statistique et leur application dans la science des données.

Méthodes d'estimation dans les probabilités et les statistiques

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.

Régression linéaire : Inférence statistique et régularisation

Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.

Distributions d'échantillonnage : Estimations et écarts

Couvre l'estimation des paramètres, le MSE, l'information Fisher, et le théorème Rao-Blackwell.

Bénéfices et écarts dans l'estimation

Discuter du biais et de la variance dans l'estimation statistique, en explorant le compromis entre l'exactitude et la variabilité.

Modèles génériques implicites

Explore des modèles générateurs implicites, couvrant des sujets comme la méthode des moments, le choix du noyau et la robustesse des estimateurs.

Paramètre Estimation: Détection & Estimation

Couvre les concepts d'estimation des paramètres, y compris les estimateurs impartiaux et les informations de Fisher.

Densité des États et inférence bayésienne en mathématiques computationnelles

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.

Distributions d'échantillonnage: Théorie et applications

Explorer les distributions d'échantillonnage, les propriétés des estimateurs et les mesures statistiques pour les applications de la science des données.

Apprentissage supervisé Intro: MaxL Efficiency

Couvre l'efficacité de l'apprentissage supervisé, MaxL, les estimateurs impartiaux, le calcul MSE et les grands ensembles de données.

Méthodes d'estimation ponctuelle: MOM et MLE

Explore des méthodes d'estimation ponctuelle comme MOM et MLE, en discutant de biais, de variance et d'exemples.