Comparer l'apprentissage automatique avec les modèles traditionnels de modélisation du risque de crédit, en mettant l'accent sur les relations non linéaires et les améliorations prédictives.
Introduit un cours sur l'apprentissage automatique des données comportementales à l'EPFL, couvrant les algorithmes ML, le traitement des données et l'évaluation des modèles.
Couvre le lien entre les modèles statistiques et les théories de champ conformes unitaires, en se concentrant sur les points critiques et le rôle des champs locaux.
Explore la cohérence prédictive dans les systèmes de prévision séquentielle, en mettant l'accent sur l'utilité de la prédiction sur l'estimation et sur l'importance des approches préalables.
Explore l'inférence pour les processus stochastiques, en mettant l'accent sur l'analyse des grands réseaux et la nécessité de nouvelles théories et méthodes.
Couvre les intervalles de confiance, les tests d'hypothèse, les erreurs standard, les modèles statistiques, la probabilité, l'inférence bayésienne, la courbe ROC, la statistique Pearson, la bonté des tests d'ajustement et la puissance des tests.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Explore l'intégration de l'apprentissage automatique dans des modèles à choix discrets, en soulignant l'importance des contraintes théoriques et des approches hybrides de modélisation.
Explore les modèles paramétriques dans l'analyse des données, couvrant les estimateurs de régression, les problèmes d'optimisation et les modèles statistiques.
Explore l'inférence statistique, la suffisance et l'exhaustivité, en soulignant l'importance de statistiques suffisantes et le rôle de statistiques complètes dans la réduction des données.
Couvre les concepts fondamentaux de probabilité et de statistiques, en se concentrant sur l'analyse des données, la représentation graphique et les applications pratiques.
