Concept
Variance function
Séances de cours associées (33)
Modèles linéaires généralisés
Présente des modèles linéaires généralisés, présentant des exemples avec différentes distributions et des données du monde réel.
Estimation des écarts
Couvre les inégalités de Markov et Chebyshev pour les variables aléatoires et les distributions de probabilité.
Processus stochastiques : Marche au hasard symétrique
Couvre les propriétés de la marche symétrique aléatoire dans les processus stochastiques.
Échantillonnage d'une distribution de probabilité
Explorer l'échantillonnage d'une distribution des probabilités et des fonctions de structure dans l'analyse statistique.
Renforcement de l'apprentissage pour Pacman
Explore l'application de l'apprentissage de renforcement pour enseigner à Pacman à jouer de façon autonome en utilisant les méthodes de gradient de politique et les processus de décision Markov.
Régression moderne: données d'orge de printemps
Couvre l'inférence, les moindres carrés pondérés, l'analyse des données sur l'orge de printemps et les techniques de lissage.
Johnson-Lindenstrauss : probabilités et variables aléatoires exponentielles
Couvre le lemme de Johnson-Lindenstrauss et cartographie les vecteurs aux dimensions inférieures.
Régression moderne: données d'orge de printemps
Couvre les moindres carrés pondérés itératifs, la régression de Poisson et l'analyse bayésienne des données sur l'orge de printemps à l'aide de modèles mixtes.
Régression moderne: surdispersion et évaluation du modèle
Explore les techniques de surdispersion, d'évaluation de modèle et de régression pour les données de comptage.
Modèles linéaires généralisés : familles exponentielles et construction de modèles
Couvre les familles exponentielles, la construction de modèles et les fonctions de liens canoniques dans les modèles linéaires généralisés.