Concept
Cross-covariance matrix
Séances de cours associées (40)
Analyse des composantes principales : compréhension de la structure des données
Explore l'analyse des composantes principales, la réduction de la dimensionnalité, l'évaluation de la qualité des données et le contrôle du taux d'erreur.
Analyse des composantes principales : matrice de covariance et valeurs propres
Explorer l'analyse des composantes principales en mettant l'accent sur la maximisation de la variance et la recherche de valeurs propres.
Lois stables: théorème de Lindeberg-Rafeller
Couvre le théorème de Lindeberg-Rafeller, discutant des fonctions caractéristiques, des problèmes de moment et du théorème de la limite centrale.
Raccordement des données avec une fonction Gauss
Explique les fonctions gaussiennes, les données de modélisation, la fonction de vraisemblance et l'optimisation du maximum de vraisemblance.
Covariance Nettoyage et Estimateurs
Explore le nettoyage de la matrice de covariance, les estimateurs optimaux et les méthodes invariantes en rotation pour l'optimisation du portefeuille.
Analyse discriminante gaussienne
Couvre l'analyse discriminante gaussienne, la log-vraisemblance, l'apprentissage supervisé et la régression logistique.
Vecteurs aléatoires gaussiens
Explore les vecteurs aléatoires gaussiens et leurs propriétés statistiques, en soulignant l'importance de spécifier des propriétés statistiques dans des vecteurs aléatoires à valeur complexe.
Génération gaussienne conditionnelle
Explore la génération de distributions gaussiennes multivariées et les défis de la factorisation des matrices de covariance.
Séries chronologiques: Estimation et représentation spectrale
Explore en profondeur l'estimation des séries chronologiques, la représentation spectrale et l'analyse des variables p.
Distribution conjointe des vecteurs aléatoires gaussiens
Explore les critères pour que les vecteurs aléatoires gaussiens aient un PDF commun.