Esta referência descreve o catálogo indicado. Consulte a instituição para confirmar a oferta atual e as condições aplicáveis ao seu ano de ingresso.
Descrição
Computational Statistics Classificação: regressão logística, análise discriminante linear e quadrática; Métodos de reamostragem: validação cruzada e bootstrap; Seleção e regularização de modelos lineares: seleção por subconjunto, métodos de encolhimento, métodos de redução de dimensão, considerações em altas dimensões; Regressão não linear: regressão polinomial, splines de regressão, splines de suavização, regressão local e modelos aditivos generalizados; Métodos baseados em árvores: árvores de decisão, bagging, random forests e boosting; Máquinas de vetor de suporte: classificador de margem máxima, classificadores por vetores de suporte, máquinas de vetor de suporte (SVMs), SVMs para mais de duas classes; Aprendizado não supervisionado: análise de componentes principais, métodos de clustering. Aulas, 3 horas por semana; laboratório, 1 hora por semana. Restrição: aberto apenas a majors em Data Sciences and Analytics. Pré-requisito(s): um de STAT 3P82 e STAT 3P86 ou STAT (DASA ) 3P87 ou permissão do instrutor.
Pré-requisitos
- Pré-requisito(s): um de STAT 3P82 e STAT 3P86 ou STAT (DASA ) 3P87 ou permissão do instrutor
Condições e modalidades
- Restrição: aberto apenas a majors em Data Sciences and Analytics.
- Pré-requisito(s): um de STAT 3P82 e STAT 3P86 ou STAT (DASA ) 3P87 ou permissão do instrutor
Texto de referência na sua língua de origem
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
Fontes e referências
As datas e as fontes são mantidas para ajudá-lo a verificar os dados. As traduções são propostas para facilitar a leitura; a fonte oficial é a referência para condições e exigências.
Fonte de referência : https://brocku.ca/webcal/2024/undergrad/math.html