Explore les critères de convergence dans les algorithmes d'optimisation, en soulignant l'importance des conditions d'arrêt et de l'attention portée aux grandes valeurs.

Régression linéaire : bases et applications

Introduit la régression linéaire, de l'histoire aux applications pratiques, y compris la construction de modèles, la prédiction et l'évaluation.

Gestion des risques : méthodes quantitatives

Explore les concepts de gestion des risques, y compris VaR, ES, et les méthodes de mesure.

Régression linéaire et logistique

Introduit une régression linéaire et logistique, couvrant les modèles paramétriques, la prédiction multi-sorties, la non-linéarité, la descente de gradient et les applications de classification.

Expansion des fonctionnalités et méthodes Kernel

Explore l'expansion des fonctionnalités, les méthodes du noyau, la SVM et la classification non linéaire dans l'apprentissage automatique.

Modèles linéaires pour la classification

Explore des modèles linéaires pour la classification, la régression logistique et la descente en gradient dans l'apprentissage automatique.

Estimation de la distribution

Explore l'estimation de la distribution, les contraintes dans les estimateurs et l'analyse concurrentielle pour une estimation robuste.

Modèles d'apprentissage statistique : minimisation des risques et des risques empiriques

Couvre les modèles d'apprentissage statistique, la minimisation des risques et la minimisation empirique des risques avec des exemples d'estimateurs de probabilité maximale.

Page 8 sur 13