Concept
Modèle mixte
Séances de cours associées (48)
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.
Modèles additifs généralisés: moindres carrés pondérés itératifs pénalisés
Couvre lintroduction aux modèles additifs généralisés et aux moindres carrés pondérés itératifs pour la vérification des modèles et les ajustements lisses.
Sélection du modèle imbriqué
Explore la sélection de modèles imbriqués dans des modèles linéaires, en comparant les modèles à travers des sommes de carrés et ANOVA, avec des exemples pratiques.
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.
Circuits CMOS : Détection de métabolites
Explore les circuits CMOS pour la détection des métabolites dans les cellules à tension fixe, couvrant les caractéristiques des amplificateurs opérationnels, les risques de saturation, la compensation de la température et les techniques de mesure du courant.
Régression moderne: surdispersion et évaluation du modèle
Explore les techniques de surdispersion, d'évaluation de modèle et de régression pour les données de comptage.
Régression moderne: choix de lissage et de modélisation
Explore la pénalité de rugosité, les matrices de bande et l'inférence bayésienne dans le lissage de régression.
Optimisation des statistiques et de l'apprentissage automatique : estimation maximale de la probabilité
Explore l'estimation de la probabilité maximale, la régression logistique, l'estimation de la covariance et les machines vectorielles de soutien pour les problèmes de classification.
Mesures quantiques
Couvre le concept de mesures quantiques et les résultats de probabilité après avoir observé les résultats.
Modèle linéaire mixte
Couvre le modèle mixte linéaire, y compris les effets fixes et aléatoires, lestimation et les techniques dinférence.