Séance de cours
Théorie de la vraisemblance maximale et applications
Séances de cours associées (116)
Régression linéaire : estimation et test
Explore l'estimation de régression linéaire, les tests d'hypothèses et les applications pratiques en statistique.
Estimateurs et intervalles de confiance
Explore le biais, la variance, les estimateurs non biaisés et les intervalles de confiance dans l'estimation statistique.
Chaînes Monte Carlo Markov
Couvre l'apprentissage non supervisé, la réduction de dimensionnalité, SVD, l'estimation de bas grade, PCA, et les chaînes Monte Carlo Markov.
Estimation maximale de la probabilité
Explore l'estimation maximale de la probabilité, couvrant les hypothèses, les propriétés, la distribution, l'estimation du rétrécissement et les fonctions de perte.
Modèles linéaires généralisés : exemples et applications
Explore des exemples spéciaux de modèles linéaires généralisés, couvrant la régression logistique, les modèles de données de comptage, les problèmes de séparation et les relations non paramétriques.
Méthodes d'estimation statistique
Couvre les méthodes d'estimation statistique, y compris le maximum de vraisemblance et l'estimation bayésienne.
Estimation maximale de la probabilité
Couvre l'estimation maximale de la probabilité, en mettant l'accent sur l'estimation-distribution ML, l'estimation de la réduction et les fonctions de perte.
Réponse binaire : Link Functions
Explore l'interprétation des réponses binaires, les fonctions de liaison, la régression logistique et la sélection des modèles à l'aide de déviances et de critères d'information.
Modèles linéaires généralisés II: Extensions GLM
Couvre les sujets avancés dans les modèles linéaires généralisés, en mettant l'accent sur les fonctions de liaison, les distributions d'erreurs et l'interprétation des modèles.
Modèles paramétriques
Explore l'estimation statistique, les modèles de régression et la sélection des modèles dans les modèles paramétriques.