この参照は示されたカタログの記述です。最新の提供状況や入学条件については機関に確認してください。
説明
計算統計 学習分類：ロジスティック回帰、線形判別分析および二次判別分析；再標本法：交差検証とブートストラップ；線形モデルの選択と正則化：部分選択、縮小法、次元削減法、高次元における考慮事項；非線形回帰：多項式回帰、回帰スプライン、平滑スプライン、局所回帰および一般化加法モデル；木構造ベースの手法：決定木、バギング、ランダムフォレスト、ブースティング；サポートベクターマシン：最大マージン分類器、サポートベクター分類器、サポートベクターマシン（SVM）、多クラスSVM；教師なし学習：主成分分析、クラスタリング手法。講義、週3時間；実習、週1時間。制限：Data Sciences and Analytics専攻のみ対象。前提科目：STAT 3P82またはSTAT 3P86のいずれか、またはSTAT（DASA）3P87、あるいは講師の許可。
前提条件
- 前提科目：STAT 3P82またはSTAT 3P86のいずれか、またはSTAT（DASA）3P87、あるいは講師の許可。
条件および詳細
- 制限：Data Sciences and Analytics専攻のみ対象。
- 前提科目：STAT 3P82またはSTAT 3P86のいずれか、またはSTAT（DASA）3P87、あるいは講師の許可。
原語による参照テキスト
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
出典と参照
日付と出典は、情報を確認する際の参考のために保持されています。翻訳は読みやすくするための提案であり、条件や要件については公式の出典が基準となります。
出典の参照 : https://brocku.ca/webcal/2024/undergrad/math.html