Séance de cours
Analyse des composantes principales : matrice de covariance et valeurs propres
Séances de cours associées (32)
Analyser la règle d'apprentissage hébbienneMOOC: Neuro Robotics
Explore l'apprentissage hebbien basé sur les taux, les règles de covariance et la croissance vectorielle de poids dans les réseaux neuronaux.
Relations fluctuante-dissipation pour les diffusions réversibles
Couvre la réponse linéaire, les états stables, Girsanov transforme et les limites de covariance dans les diffusions réversibles.
Evolution de l'état et itération gaussienne
Explore l'évolution des états, l'itération gaussienne et les critères de convergence dans des algorithmes itératifs.
Dépendance chez les vecteurs aléatoires
Explore la dépendance dans les vecteurs aléatoires, couvrant la densité articulaire, l'indépendance conditionnelle, la covariance et les fonctions génératrices de moment.
Variables aléatoires : BasesMOOC: Digital Signal Processing I
Introduit les variables aléatoires, la mesure des probabilités, l'attente, les moments et les relations entre les variables aléatoires.
Deuxième méthode Moment
Explore la méthode du deuxième moment et la variance des variables aléatoires, y compris la covariance et l'indépendance.
Lois stables: théorème de Lindeberg-Rafeller
Couvre le théorème de Lindeberg-Rafeller, discutant des fonctions caractéristiques, des problèmes de moment et du théorème de la limite centrale.
Transformation des variables aléatoires
Explore la transformation des variables aléatoires, des moments communs, de la covariance et de la variance.
Variance, Covariance et Corrélation
Explore la variance, la covariance et la corrélation dans les statistiques, essentielles pour l'analyse des données.
Estimation de la structure à terme : analyse des composantes principalesMOOC: Interest Rate Models
Couvre l'analyse des composantes principales pour l'estimation de la forme de la courbe de rendement et la réduction des dimensions dans les modèles de taux d'intérêt.