Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.
Explore les hypothèses, les implications et les méthodes d'estimation du modèle Peaks-Over-Shind, y compris l'adaptation d'un modèle GPD aux dépassements.
Explore les concepts avancés de coloration graphique, y compris la coloration plantée, le seuil de rigidité, et les variables gelées en points fixes BP.
Explore les techniques de regroupement de comportement et de réduction de dimensionnalité non supervisées, couvrant des algorithmes comme K-Means, DBSCAN et Gaussian Mixture Model.
Couvre l'apprentissage non supervisé axé sur les méthodes de regroupement et les défis rencontrés dans les algorithmes de regroupement comme K-means et DBSCAN.
Couvre la théorie et la pratique des algorithmes de regroupement, y compris PCA, K-means, Fisher LDA, groupement spectral et réduction de dimensionnalité.
Explique le regroupement des moyennes k, en attribuant des points de données à des grappes en fonction de la proximité et en minimisant les distances carrées à l'intérieur des grappes.
Explore les limites extrêmes des théorèmes, des processus ponctuels et des extrêmes multivariés dans la modélisation des séries chronologiques à valeur extrême, en mettant l'accent sur l'effet de la dépendance locale à l'égard des valeurs extrêmes.
Explore l'index extrême, les regroupements dans les événements extrêmes, les niveaux de retour et les modèles statistiques pour l'analyse des extrêmes dans les séries chronologiques.
Explore les théorèmes de limite extrême et l'analyse statistique pour l'analyse d'événements extrêmes comme les précipitations du Venezuela et les données de Venise.
Couvre la théorie et les applications des statistiques extrêmes, en mettant l'accent sur les modèles de seuil pour l'analyse des extrêmes des séries chronologiques.
