Denne referansen beskriver den angitte katalogen. Kontakt institusjonen for å bekrefte gjeldende tilbud og betingelser som gjelder for din start.
Beskrivelse
Computational Statistics Klassifisering: logistisk regresjon, lineær og kvadratisk diskriminantanalyse; Resampling-metoder: kryssvalidering og bootstrap; valg og regularisering av lineære modeller: subset-seleksjon, shrinkage-metoder, dimensjonsreduksjonsmetoder, vurderinger i høydimensjonale data; ikke-lineær regresjon: polynomregresjon, regresjonssplines, smoothing splines, lokal regresjon og generaliserte additive modeller; tre-baserte metoder: beslutningstrær, bagging, random forests og boosting; support vector machines: maksimal margin-klassifikator, support vector-classifiers, support vector machines (SVMs), SVMs med mer enn to klasser; usupervised learning: hovedkomponentanalyse, klyngemetoder. Forelesninger, 3 timer per uke; lab, 1 time per uke. Restriksjon: åpen kun for Data Sciences and Analytics-hovedfag. Forutsetning(er): ett av STAT 3P82 og STAT 3P86 eller STAT (DASA) 3P87 eller tillatelse fra undervisningsansvarlig.
Forkunnskaper
- Forutsetning(er): ett av STAT 3P82 og STAT 3P86 eller STAT (DASA) 3P87 eller tillatelse fra undervisningsansvarlig
Vilkår og bestemmelser
- Restriksjon: åpen kun for Data Sciences and Analytics-hovedfag.
- Forutsetning(er): ett av STAT 3P82 og STAT 3P86 eller STAT (DASA) 3P87 eller tillatelse fra undervisningsansvarlig
Referansetekst i originalspråket
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
Kilder og referanser
Datoer og kilder beholdes for å hjelpe deg å verifisere opplysningene. Oversettelsene tilbys for å lette lesing; den offisielle kilden er referansen for krav og betingelser.
Kildereferanse : https://brocku.ca/webcal/2024/undergrad/math.html