Основы статистики в машинном обучении

  1. Введение
  2. Основные задачи и методы теории статистических выводов
  3. Оценка распределения и статистические функционалы
  4. Моделирование Монте-Карло, бутстреп
  5. Параметрическое оценивание
  6. Проверка гипотез
  7. Снижение размерности многомерных данных
  8. Оценка чувствительности модели
  9. Линейная и логистическая регрессия
  10. Методы планирования экспериментов (Design of Experiments)
  11. Различные типы регуляризации в линейной регрессии
  12. Нелинейные методы построения регрессионных зависимостей
  13. Непараметрическое оценивание
  14. Байесовский подход к оцениванию
  15. Байесовский подход к регрессии
  16. Байесовский подход к регрессии и оптимизации
  17. Использование модели случайных гауссовских полей в задачах анализа данных
  18. Использование статистических моделей и методов в задачах суррогатного моделирования и оптимизации