Explore le choix dynamique du portefeuille avec des opportunités variables dans le temps et des coûts de transaction, en fournissant des stratégies optimales et des informations empiriques.
Couvre les statistiques descriptives, les tests d'hypothèses et l'analyse de corrélation avec diverses distributions de probabilités et des statistiques robustes.
Explore les techniques de regroupement de comportement et de réduction de dimensionnalité non supervisées, couvrant des algorithmes comme K-Means, DBSCAN et Gaussian Mixture Model.
Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.
Explique le regroupement des moyennes k, en attribuant des points de données à des grappes en fonction de la proximité et en minimisant les distances carrées à l'intérieur des grappes.
Explore les méthodes de clustering K-means et DBSCAN, en discutant des propriétés, des inconvénients, de l'initialisation et de la sélection optimale des clusters.
Explore le compromis entre le risque et le rendement des portefeuilles, les avantages de la diversification et l'impact de la corrélation sur le risque du portefeuille.
Couvre les concepts clés de l'analyse des composantes principales (APC) et ses applications pratiques dans la réduction de dimensionnalité des données et l'extraction des caractéristiques.
Couvre la corrélation et les corrélations croisées dans l'analyse des données sur la pollution atmosphérique, y compris les séries chronologiques, les autocorrelations, l'analyse de Fourier et le spectre de puissance.
Couvre les concepts clés de l'APC, y compris la réduction de la dimensionnalité des données et des fonctions d'extraction, avec des exercices pratiques.
