Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Explore des statistiques suffisantes, la compression des données et leur rôle dans l'inférence statistique, avec des exemples comme Bernoulli Trials et des familles exponentielles.
Explore l'indépendance et la probabilité conditionnelle dans les probabilités et les statistiques, avec des exemples illustrant les concepts et les applications pratiques.
Explore la dépendance, la corrélation et les attentes conditionnelles en matière de probabilité et de statistiques, en soulignant leur importance et leurs limites.
Couvre les modèles familiaux exponentiels et leurs propriétés statistiques, y compris les statistiques canoniques et les fonctions génératrices de cumul.
S'insère dans la dualité entre les intervalles de confiance et les tests d'hypothèses, soulignant l'importance de la précision et de l'exactitude dans l'estimation.
Discute des méthodes d'estimation en probabilité et en statistiques, en se concentrant sur l'estimation du maximum de vraisemblance et les intervalles de confiance.
Couvre la probabilité maximale d'estimation dans l'inférence statistique, en discutant des propriétés MLE, des exemples et de l'unicité dans les familles exponentielles.
Couvre les bases de la théorie des probabilités, y compris les définitions, les calculs et les concepts importants pour l'inférence statistique et l'apprentissage automatique.
Explore les modèles paramétriques, les techniques d'estimation, les modèles de régression et les classificateurs basés sur les scores dans l'analyse des données.
