Explore les tests de randomisation comme une alternative aux tests t pour l'analyse expérimentale, en utilisant de fausses données pour évaluer l'efficacité du traitement.
Introduit des statistiques inférentielles, couvrant l'échantillonnage, la tendance centrale, la dispersion, les histogrammes, les scores z et la distribution normale.
Examine la généralisation des classificateurs ImageNet, les applications critiques pour la sécurité, le surajustement et la fiabilité des modèles d'apprentissage automatique.
Déplacez-vous dans les tests d'hypothèses, couvrant les statistiques d'essais, les régions critiques, les fonctions de puissance, les valeurs p, les tests multiples et les statistiques non paramétriques.
