Fournit un aperçu des modèles linéaires généralisés, en mettant l'accent sur les modèles de régression logistique et de Poisson, et leur mise en oeuvre dans R.
Explore les signaux de débruitage avec des modèles de mélange gaussien et l'algorithme EM, l'analyse de signal EMG et la segmentation d'image à l'aide de modèles markoviens.
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 l'analyse des données jacamar, les modèles de données sur le tabagisme et les défis liés aux modèles log-linéaires dans les données sur les déficiences visuelles.
Explore la cohérence et les propriétés asymptotiques de l’estimateur de vraisemblance maximale, y compris les défis à relever pour prouver sa cohérence et construire des estimateurs de type MLE.
Explore la théorie des modèles linéaires généralisés, y compris la logistique et la régression de Poisson, lévaluation des modèles et les tests de coefficient.
Explore les algorithmes de classification génératifs et discriminatifs, en mettant l'accent sur leurs applications et leurs différences dans les tâches d'apprentissage automatique.
Explore l'analyse de régression, la modélisation cinétique, l'estimation des paramètres et la modélisation de la concentration d'ozone atmosphérique à l'aide de relations linéaires et de diagrammes de dispersion.
Explore l'interaction entre les ondes électromagnétiques et la matière, des modèles classiques aux modèles quantiques, en mettant l'accent sur la signification des distributions de probabilité et des états d'énergie.
Explore SCADA et la supervision dans l'automatisation industrielle, couvrant la gestion des alarmes, l'acquisition de données, l'IHM et la cybersécurité.
