Referensi ini menggambarkan katalog yang disebutkan. Hubungi lembaga untuk mengonfirmasi penawaran saat ini dan ketentuan yang berlaku untuk pendaftaran Anda.
Deskripsi
Statistika Komputasional Klasifikasi: regresi logistik, diskriminan linier dan kuadratik; Metode resampling: cross-validation dan bootstrap; Seleksi model linier dan regularisasi: pemilihan subset, metode shrinkage, metode reduksi dimensi, pertimbangan dalam dimensi tinggi; Regresi nonlinier: regresi polinomial, spline regresi, smoothing spline, regresi lokal dan model aditif umum; Metode berbasis pohon: decision tree, bagging, random forests, dan boosting; Support vector machines: maximal margin classifier, support vector classifiers, support vector machines (SVMs), SVMs untuk lebih dari dua kelas; Pembelajaran tanpa pengawasan: analisis komponen utama, metode klaster. Kuliah, 3 jam per minggu; Praktikum, 1 jam per minggu. Pembatasan: terbuka hanya untuk mahasiswa jurusan Data Sciences and Analytics Prasyarat: salah satu dari STAT 3P82 dan STAT 3P86 atau STAT (DASA ) 3P87 atau izin dari pengajar
Prasyarat
- Prasyarat: salah satu dari STAT 3P82 dan STAT 3P86 atau STAT (DASA ) 3P87 atau izin dari pengajar
Syarat dan ketentuan
- Pembatasan: terbuka hanya untuk mahasiswa jurusan Data Sciences and Analytics
- Prasyarat: salah satu dari STAT 3P82 dan STAT 3P86 atau STAT (DASA ) 3P87 atau izin dari pengajar
Teks rujukan dalam bahasa aslinya
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
Sumber dan referensi
Tanggal dan sumber disimpan untuk membantu Anda memverifikasi informasi. Terjemahan disediakan untuk memudahkan pembacaan; sumber resmi menjadi rujukan untuk syarat dan ketentuan.
Referensi sumber : https://brocku.ca/webcal/2024/undergrad/math.html