이 참고자료는 표시된 카탈로그를 설명합니다. 최신 제공 및 적용 조건은 입학 전에 기관에 확인하세요.
설명
계산 통계 분류: 로지스틱 회귀, 선형 및 이차 판별분석; 재표집 방법: 교차검증 및 부트스트랩; 선형 모델 선택 및 정규화: 부분 선택, 축소 방법, 차원 축소 방법, 고차원에서의 고려사항; 비선형 회귀: 다항 회귀, 회귀 스플라인, 평활 스플라인, 국소 회귀 및 일반화 가법 모형; 트리 기반 방법: 결정트리, 배깅, 랜덤 포레스트 및 부스팅; 서포트 벡터 기계: 최대 여백 분류기, 서포트 벡터 분류기, 서포트 벡터 머신(SVM), 다중 클래스 SVM; 비지도 학습: 주성분분석, 군집화 방법. 강의 주당 3시간; 실습 주당 1시간. 제한: Data Sciences and Analytics 전공자만 수강 가능. 선수과목: STAT 3P82 또는 STAT 3P86 중 하나 또는 STAT(DASA) 3P87 또는 강사의 허가.
선수 과목
- 선수과목: STAT 3P82 또는 STAT 3P86 중 하나 또는 STAT(DASA) 3P87 또는 강사의 허가.
조건 및 세부사항
- 제한: Data Sciences and Analytics 전공자만 수강 가능.
- 선수과목: STAT 3P82 또는 STAT 3P86 중 하나 또는 STAT(DASA) 3P87 또는 강사의 허가.
원문 참조 텍스트
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
출처 및 참고문헌
날짜와 출처는 정보를 확인하는 데 도움이 되도록 보관됩니다. 번역은 읽기 편의를 위해 제공되며 조건과 요건은 공식 출처가 기준입니다.
출처 참조 : https://brocku.ca/webcal/2024/undergrad/math.html