Explore les fondamentaux de la régression linéaire, la formation des modèles, l'évaluation et les mesures du rendement, en soulignant l'importance de la R2, du MSE et de l'EAM.
Couvre les bases de la régression linéaire, y compris l'OLS, l'hétéroskédasticité, l'autocorrélation, les variables instrumentales, l'estimation maximale de la probabilité, l'analyse des séries chronologiques et les conseils pratiques.
Couvre la régression linéaire, la régularisation, les problèmes inverses, la tomographie par rayons X, la reconstruction d'images, l'inférence de données et l'intensité du détecteur.
Couvre les bases de la régression linéaire, la méthode OLS, les valeurs prédites, les résidus, la notation matricielle, la bonté d'adaptation, les tests d'hypothèse et les intervalles de confiance.
Couvre l'analyse de la variance, de la construction du modèle, de la sélection des variables et de l'estimation des fonctions dans les méthodes de régression.
Couvre les méthodes d'échantillonnage Hypercube latin et de quasi Monte Carlo pour la simulation stochastique, expliquant l'objectif de la stratification et générant des permutations indépendantes.
Discute de la modélisation des systèmes énergétiques dans les bâtiments, en se concentrant sur les flux d'air, l'échange de chaleur et les stratégies d'optimisation énergétique.
Explore des outils pour optimiser l'intégration de l'énergie et minimiser les pertes d'exercice dans les systèmes, en aidant à réduire les coûts énergétiques et à améliorer l'efficacité.
