Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Couvre la quantification des distributions de probabilité, le regroupement statistique des moyennes k, l'estimation moyenne, les méthodes de regroupement robustes et les questions de recherche ouvertes.
Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.
Couvre les concepts fondamentaux de la théorie des probabilités et de la théorie des mesures, y compris les probabilités conjointes, les variables aléatoires et le théorème de la limite centrale.
Se penche sur les estimateurs de vraisemblance maximale, leurs propriétés et leur comportement asymptotique, en mettant l'accent sur la cohérence et la normalité asymptotique.