Explore des promenades aléatoires, le processus Moran et des exemples de génétique des populations, de modélisation de l'abondance des protéines et de chimiotaxie bactérienne.
Couvre PCA et LDA pour la réduction de dimensionnalité, expliquant la maximisation de la variance, les problèmes de vecteurs propres et les avantages de Kernel PCA pour les données non linéaires.
Explore l'analyse indépendante des composants en imagerie cérébrale fonctionnelle, en se concentrant sur les sources non gaussiennes, les artefacts de nettoyage et les études de groupe.
