Esta referencia describe el catálogo indicado. Consulte con la institución para confirmar la oferta actual y las condiciones aplicables a su ingreso.
Descripción
Estadística Computacional Clasificación: regresión logística, análisis discriminante lineal y cuadrático; Métodos de remuestreo: validación cruzada y bootstrap; Selección y regularización de modelos lineales: selección de subconjuntos, métodos de contracción, métodos de reducción de dimensión, consideraciones en altas dimensiones; Regresión no lineal: regresión polinómica, splines de regresión, splines de suavizado, regresión local y modelos aditivos generalizados; Métodos basados en árboles: árboles de decisión, bagging, random forests y boosting; Máquinas de vectores de soporte: clasificador de margen máximo, clasificadores de soporte, máquinas de vectores de soporte (SVMs), SVMs para más de dos clases; Aprendizaje no supervisado: análisis de componentes principales, métodos de agrupamiento. Clases magistrales, 3 horas por semana; laboratorio, 1 hora por semana. Restricción: abierto solo a estudiantes de la especialidad Data Sciences and Analytics. Requisito(s): uno de STAT 3P82 y STAT 3P86 o STAT (DASA) 3P87 o permiso del instructor.
Prerrequisitos
- Requisito(s): uno de STAT 3P82 y STAT 3P86 o STAT (DASA) 3P87 o permiso del instructor
Condiciones y modalidades
- Restricción: abierto solo a estudiantes de la especialidad Data Sciences and Analytics.
- Requisito(s): uno de STAT 3P82 y STAT 3P86 o STAT (DASA) 3P87 o permiso del instructor
Texto de referencia en su idioma de origen
Computational Statistics Classification: logistic regression, linear and quadratic discriminant analysis; Resampling methods: cross-validation and bootstrap; Linear model selection and regularization: subset selection, shrinkage methods, dimension reduction methods, considerations in high dimensions; Nonlinear regression: polynominal regression, regression splines, smoothing splines, local regression and generalized additive models; Tree-based methods: decision trees, bagging, random forests, and boosting; Support vector machines: maximal margin classifier, support vector classifiers, support vector machines (SVMs), SVMs with more than two classes; Unsupervised learning: principal component analysis, clustering methods. Lectures, 3 hours per week; Lab, 1 hour per week Restriction: open to Data Sciences and Analytics majors only Prerequisite(s): one of STAT 3P82 and STAT 3P86 or STAT (DASA ) 3P87 or permission of the instructor
- Prerequisite(s): one of STAT 3P82 and STAT 3P86 or STAT (DASA ) 3P87 or permission of the instructor
- Restriction: open to Data Sciences and Analytics majors only
Fuentes y referencias
Se conservan las fechas y las fuentes para ayudarle a verificar la información. Las traducciones se proponen para facilitar la lectura; la fuente oficial es la referencia para las condiciones y los requisitos.
Referencia de la fuente : https://brocku.ca/webcal/2024/undergrad/math.html