Séances de cours associées à Observateurs Références

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.

Paramètre Estimation: Détection & Estimation

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

Paramètre Estimation & Fisher Information

Couvre l'estimation des paramètres, les informations de Fisher, l'estimateur non biaisé et les distributions exponentielles.

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.

Estimation de la distribution

Couvre l'estimation des distributions à l'aide d'échantillons et de modèles de probabilité.

Estimation de la distribution

Couvre l'estimation des distributions en utilisant diverses méthodes telles que la perte minimale et les attentes.

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.

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.

Contrôle multivariable : Observateurs et contrôleurs

Couvre la conception d'observateurs à ordre réduit et de contrôleurs de retour de sortie dans des systèmes de contrôle multivariables.

Intervalles de confiance : Estimation gaussienne

Explore les intervalles de confiance, l'estimation gaussienne, l'inégalité Cramér-Rao et les estimations maximales de vraisemblance.

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.

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.

Estimation maximale de la probabilité : théorie et exemples

Couvre l'estimation de la probabilité maximale, y compris la preuve du théorème Rao-Blackwell et des exemples pratiques d'estimateurs dérivants.

Distributions d'échantillonnage : Estimation

Explorer les distributions d'échantillonnage, les méthodes d'estimation et la cohérence dans l'estimation des paramètres.

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.

Distributions d'échantillonnage : Estimations et écarts

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

Régression linéaire : Inférence statistique et régularisation

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

Fisher Information, Inégalités Cramér-Rao, MLE

Explique l'information Fisher, l'inégalité Cramér-Rao et les propriétés MLE, y compris l'invariance et l'asymptotique.

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.