S'inscrit dans les limites fondamentales de l'apprentissage par gradient sur les réseaux neuronaux, couvrant des sujets tels que le théorème binôme, les séries exponentielles et les fonctions génératrices de moments.
Explore les tests de bonté d'ajustement, les tests X2 et les tests d'indépendance dans les statistiques, avec des exemples pratiques et des applications.
Couvre les concepts fondamentaux des probabilités et des statistiques, y compris la régression linéaire, les statistiques exploratoires et l'analyse des probabilités.
Explore Poisson GLM pour analyser les données de comptage dans l'analyse catégorique, en mettant l'accent sur les tables de contingence et l'inférence bayésienne.
Couvre les statistiques descriptives, les tests d'hypothèses et l'analyse de corrélation avec diverses distributions de probabilités et des statistiques robustes.
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.
Discute de la distribution de Dirichlet, de l'inférence bayésienne, de la moyenne postérieure et de la variance, des antécédents conjugués et de la distribution prédictive dans le modèle de Dirichlet-Multinôme.
