Couvre les bases de la régression linéaire et la façon de résoudre les problèmes d'estimation en utilisant les moindres carrés et la notation matricielle.
Explore l'hétéroskédasticité en économétrie, en discutant de son impact sur les erreurs standard, les estimateurs alternatifs, les méthodes d'essai et les implications pour les tests d'hypothèses.
Explore les concepts avancés dans les modèles de régression linéaire, y compris la multicolinéarité, les tests d'hypothèses et les valeurs aberrantes de manipulation.
Couvre la régression linéaire et pondérée, les paramètres optimaux, les solutions locales, l'application SVR et la sensibilité des techniques de régression.
Explore l'apprentissage supervisé en économétrie financière, couvrant la régression linéaire, l'ajustement du modèle, les problèmes potentiels, les fonctions de base, la sélection de sous-ensembles, la validation croisée, la régularisation et les forêts aléatoires.
Couvre l'analyse des données bivariées, la corrélation et les techniques de régression, y compris l'interprétation des coefficients et de la géométrie des moindres carrés.
Couvre la régression linéaire, la régularisation, les problèmes inverses, la tomographie par rayons X, la reconstruction d'images, l'inférence de données et l'intensité du détecteur.
Explore comment les variables instrumentales corrigent les biais à partir des erreurs de mesure et de la causalité inverse dans les modèles de régression.
Examine la généralisation des classificateurs ImageNet, les applications critiques pour la sécurité, le surajustement et la fiabilité des modèles d'apprentissage automatique.
