Couvre lalgorithme IWLS pour obtenir des MLE dans les modèles de régression et discute de la statistique du rapport de vraisemblance et de la déviance dans lajustement du modèle.
Il explore la construction de régions de confiance, les tests d'hypothèse inversés et la méthode pivot, en soulignant l'importance des méthodes de probabilité dans l'inférence statistique.
Couvre les bases de la régression linéaire, la méthode OLS, les valeurs prédites, les résidus, la notation matricielle, la bonté d'adaptation, les tests d'hypothèse et les intervalles de confiance.
Introduit une analyse de régression, couvrant les modèles linéaires et non linéaires, la régression de Poisson et l'analyse du temps de défaillance à l'aide de divers ensembles de données.
Introduit une estimation de vraisemblance maximale en économétrie, couvrant les principes, les propriétés, les applications et les tests de spécification.
Explore l'estimation des paramètres, les erreurs standard et les intervalles de confiance en utilisant le théorème de la limite centrale et des exemples pratiques.
Couvre la prédiction du contact avec les protéines à l'aide des modèles Potts et des méthodes de pseudo-probabilité, en comparant différentes approches pour la prédiction du contact dans les protéines.
Explore la régularisation dans des modèles linéaires, y compris la régression de crête et le Lasso, les solutions analytiques et la régression de crête polynomiale.
Couvre la sûreté nucléaire concerne la post-fukushima, l'impact météorologique extrême et l'estimation des risques financiers à l'aide de la théorie des valeurs extrêmes.
Introduit un apprentissage profond, de la régression logistique aux réseaux neuraux, soulignant la nécessité de traiter des données non linéairement séparables.