Explore l'application de l'algèbre linéaire dans la science des données, couvrant la réduction de la variance, la théorie de la distribution des modèles et les estimations du maximum de vraisemblance.
Couvre l'identification et la spécification du modèle dans l'analyse des séries chronologiques, y compris les modèles d'EI et l'estimation des moindres carrés.
Couvre la méthodologie Box-Jenkins pour construire des modèles de séries chronologiques, y compris l'identification des modèles, les calculs de variance et le diagnostic des modèles.
Explore l'estimation, la prévision et la comparaison de modèles dans l'analyse de séries chronologiques à l'aide d'exemples de données réelles pour motiver l'étude.
Discute de la géométrie des moindres carrés, en explorant les perspectives des lignes et des colonnes, les hyperplans, les projections, les résidus et les vecteurs uniques.
Explore l'inférence statistique pour les données de banditisme, en mettant l'accent sur les actions de traitement personnalisées et les défis des estimateurs standards.
Explore la correspondance des données non linéaires avec des dimensions plus élevées à l'aide de la SVM et couvre l'expansion des caractéristiques polynomiales, la régularisation, les implications sonores et les méthodes d'ajustement des courbes.
Explore la construction et l'application des matrices de Hadamard pour une estimation efficace des principaux effets sans interactions dans la conception de Plackett-Burman.
Couvre les bases de la régression linéaire et la façon de résoudre les problèmes d'estimation en utilisant les moindres carrés et la notation matricielle.
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.
