Couvre l'identification et la spécification du modèle dans l'analyse des séries chronologiques, y compris les modèles d'EI et l'estimation des moindres carrés.
Discute de la méthode de gradient pour l'optimisation, en se concentrant sur son application dans l'apprentissage automatique et les conditions de convergence.
Explore la descente de gradient stochastique, couvrant les taux de convergence, l'accélération et les applications pratiques dans les problèmes d'optimisation.
Explore les méthodes d'optimisation, y compris la convexité, la descente en gradient et la minimisation non convexe, avec des exemples comme l'estimation de la probabilité maximale et la régression des crêtes.
Couvre la méthodologie Box-Jenkins pour construire des modèles de séries chronologiques, y compris l'identification des modèles, les calculs de variance et le diagnostic des modèles.
Couvre les bases de l'analyse numérique et des méthodes de calcul utilisant Python, en se concentrant sur les algorithmes et les applications pratiques en mathématiques.
Explore l'estimation, la prévision et la comparaison de modèles dans l'analyse de séries chronologiques à l'aide d'exemples de données réelles pour motiver l'étude.
Explore l'application de l'algèbre linéaire dans la science des données, couvrant la réduction de la variance, la théorie de la distribution des modèles et les estimations du maximum de vraisemblance.
Explore le filtre adaptatif Optimal Least Square, en mettant l'accent sur le filtre Finite Impulse Response (FIR) et les stratégies pour réduire le fardeau de calcul.