Explique le test t à deux échantillons pour comparer les moyennes d'échantillons indépendants, y compris les étapes de test d'hypothèse et le calcul statistique de test.
Explore l'échantillonnage dans les statistiques inférentielles, en mettant l'accent sur l'impact de la taille de l'échantillon et du caractère aléatoire sur la précision de l'inférence.
Couvre les tests de ratio de vraisemblance, leur optimalité et les extensions dans les tests d'hypothèses, y compris le théorème de Wilks et la relation avec les intervalles de confiance.
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.
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Couvre la conversion analogique-numérique et numérique-analogique, y compris l'échantillonnage, la quantification, le convertisseur Flash, la génération de courant pondérée et le réseau R2R.
