Passer au contenu principal
Graph
Search
fr
en
Se Connecter
Recherche
Tous
Catégories
Concepts
Cours
Séances de cours
MOOCs
Personnes
Exercices
Publications
Start-ups
Unités
Afficher tous les résultats pour
Accueil
Séance de cours
Interprétation de l'entropie
Graph Chatbot
Séances de cours associées (31)
Précédent
Page 3 sur 4
Suivant
Entropie et algorithmes : Applications au tri et à la pesée
Couvre l'application de l'entropie dans les algorithmes, en se concentrant sur le tri et les stratégies de prise de décision.
Quantifier l'information : probabilité, entropie et contraintes
Explore la quantification de l'information basée sur la probabilité, l'entropie et les contraintes dans les systèmes de communication.
Variables aléatoires continues
Explore les variables aléatoires continues, les fonctions de densité, les variables articulaires, l'indépendance et les densités conditionnelles.
Théorie de l'information: Bases
Introduit les bases de la théorie de l'information, y compris l'entropie, l'indépendance et la fonction d'entropie binaire.
Distributions de probabilités dans les études environnementales
Explore les distributions de probabilité pour les variables aléatoires dans les études sur la pollution atmosphérique et le changement climatique, couvrant les statistiques descriptives et inférentielles.
Probabilité et statistiques
Explore les variables aléatoires conjointes, la densité conditionnelle et l'indépendance en probabilités et en statistiques.
Probabilité et statistiques
Couvre le paradoxe de Simpson, les distributions de probabilités, et des exemples de vie réelle dans les probabilités et les statistiques.
Éléments de la statistique : probabilité et variables aléatoires
Introduit des concepts clés en variables de probabilité et aléatoires, couvrant les statistiques, les distributions et la covariance.
Densité conditionnelle et espérance
Explore la densité conditionnelle, les attentes et l'indépendance des variables aléatoires avec des exemples pratiques.
GLMs non paramétriques et image de haut niveau
Explore les relations non paramétriques dans les GLM et l'importance de comprendre la variabilité par le biais des probabilités et des modèles.