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.
Introduit l'estimation bayésienne, qui couvre l'inférence classique par rapport à l'inférence bayésienne, les antécédents conjugués, les méthodes MCMC et des exemples pratiques comme l'estimation de la température et la modélisation de choix.
Explore la découverte causale à l'aide de modèles variables latents, en mettant l'accent sur les défis et les solutions pour déduire les relations causales à partir de données non gaussiennes.
Explore l'estimation de la probabilité maximale et les tests d'hypothèses multivariées, y compris les défis et les stratégies pour tester plusieurs hypothèses.
Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.
Explore la régression linéaire probabiliste et la régression de processus gaussien, en mettant l'accent sur la sélection du noyau et l'ajustement hyperparamétrique pour des prédictions précises.
Examine l'échantillonnage dans l'estimation de la probabilité maximale et ses répercussions sur la contribution conjointe de la probabilité et de la probabilité.
Couvre le test du rapport de vraisemblance dans les modèles de choix, en comparant des modèles illimités et restreints par l'analyse comparative et l'essai de différentes spécifications du modèle.
