Se concentre sur l'inférence à grande échelle pour la détection des points chauds QTL dans les modèles de régression clairsemée, soulignant la nécessité d'utiliser la génomique pour comprendre la variation des phénotypes et la susceptibilité à la maladie.
Explore la méthode de classification la plus proche du voisin, en discutant de ses limites dans les espaces de grande dimension et de l'importance de la corrélation spatiale pour des prédictions efficaces.
Couvre la régression polynôme, la descente en gradient, le surajustement, le sous-ajustement, la régularisation et la mise à l'échelle des caractéristiques dans les algorithmes d'optimisation.
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
