Explore le taux de rendement, l'évaluation, la caractérisation du risque et la performance historique du portefeuille, en mettant l'accent sur les avantages de la diversification et l'analyse de la moyenne-variance.
Explore le risque et le rendement dans la finance, couvrant la performance des titres, les taux de rendement, la variance, la volatilité et la diversification du portefeuille.
Explore la malédiction de la dimensionnalité, les méthodes de sélection variables, le coefficient de détermination et les limites des techniques de filtrage.
Introduit l'apprentissage non supervisé en cluster avec les moyennes K et la réduction de dimensionnalité à l'aide de PCA, ainsi que des exemples pratiques.
Couvre les techniques de réduction de dimensionnalité, de regroupement et d'estimation de la densité, y compris l'ACP, les moyennes K, le MGM et le décalage moyen.
Couvre la classification des images, le clustering et les techniques d'apprentissage automatique telles que la réduction de la dimensionnalité et l'apprentissage par renforcement.
Couvre l'apprentissage non supervisé, en mettant l'accent sur la réduction de la dimensionnalité et le regroupement, en expliquant comment il aide à trouver des modèles dans les données sans étiquettes.
Explique lestimation, la corrélation et la corrélation Pearson dans les statistiques, en se concentrant sur la mesure et la description des relations entre les variables.
Couvre les techniques de réduction de dimensionnalité telles que PCA et LDA, les méthodes de clustering, l'estimation de la densité et la représentation des données.
Examine les méthodes de regroupement pour la partition des données en classes significatives lorsque l'étiquetage est inconnu, couvrant les moyennes K, les mesures de dissimilarité et le regroupement hiérarchique.