Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Couvre l'inférence statistique, l'apprentissage automatique, les SVM pour la classification des pourriels, le prétraitement des courriels et l'extraction des fonctionnalités.
Explore l'inférence des hypothèses pour les estimands statistiques dans les modèles linéaires généralisés, en mettant l'accent sur des approches robustes et génériques.
Discute des concepts statistiques clés, y compris les dangers d'échantillonnage, les inégalités et le théorème de la limite centrale, avec des exemples pratiques et des applications.
Couvre la méthode de l'élément fini statistique, en mettant l'accent sur la construction d'une mesure préalable, en traitant des erreurs de spécification des modèles et en combinant les données des capteurs avec les modèles FEM.
Couvre la théorie et les applications des statistiques extrêmes, en mettant l'accent sur les modèles de seuil pour l'analyse des extrêmes des séries chronologiques.
Explore la théorie et les applications des extrêmes multivariés, en mettant l'accent sur l'adaptation des modèles marginaux et de dépendance ensemble pour une estimation précise.
Explore les théorèmes de limite extrême et l'analyse statistique pour l'analyse d'événements extrêmes comme les précipitations du Venezuela et les données de Venise.
Couvre l'application de la théorie des valeurs extrêmes aux processus de pointage et l'estimation des événements extrêmes à partir de séries chronologiques également espacées.