Distributions de probabilité : Comprendre les paramètres et les transformations

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (29)

Page 2 sur 3

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.

Régression linéaire: Théorie et applications

Couvre la théorie et les applications pratiques de la régression linéaire.

Distributions de probabilités : discrètes et continues

Couvre les distributions de probabilité discrètes et continues, y compris les probabilités conjointes et conditionnelles.

Variables aléatoires et valeur prévue

Introduit des variables aléatoires, des distributions de probabilité et des valeurs attendues au moyen d'exemples pratiques.

Densité conditionnelle et espérance

Explore la densité conditionnelle, les attentes et l'indépendance des variables aléatoires avec des exemples pratiques.

Modèles de mélange gaussien et signaux sonores

Explore les modèles de mélange gaussien et dénigre les signaux bruyants à l'aide d'une approche probabiliste.

Modèles graphiques : Distribution de probabilités conjointes

Couvre le concept de modèles graphiques et de distributions de probabilités conjointes.

Dérivation de EM pour le GMM

Couvre la dérivation de lalgorithme EM pour le modèle de mélange gaussien.

Analyse de la pollution atmosphérique

Explorer l'analyse de la pollution atmosphérique à l'aide de données sur le vent, de distributions de probabilités et de modèles de trajectoire pour l'évaluation de la qualité de l'air.

Probabilité maximale: Inférence et comparaison du modèle

Explore l'inférence de vraisemblance maximale, la sélection de modèles et la comparaison de modèles à l'aide de ratios de vraisemblance.