Данная справка описывает указанный каталог. Обратитесь в учреждение, чтобы подтвердить актуальное предложение и условия, применимые к вашему началу обучения.
Описание
Вычислительная статистика Классификация: логистическая регрессия, линейный и квадратичный дискриминантный анализ; методы повторной выборки: кросс-валидация и бутстрэп; выбор модели линейной регрессии и регуляризация: выбор подмножества, методы усадки, методы снижения размерности, вопросы в высокомерном пространстве; Нелинейная регрессия: полиномиальная регрессия, регрессионные сплайны, сглаживающие сплайны, локальная регрессия и обобщённые аддитивные модели; Деревья решений: решающие деревья, bagging, случайные леса и бустинг; Метод опорных векторов: классификатор с максимальным зазором, классификаторы опорных векторов, машины опорных векторов (SVM), SVM для более чем двух классов; Неподконтрольное обучение: метод главных компонент, методы кластеризации. Лекции, 3 часа в неделю; лаборатория, 1 час в неделю. Ограничение: открыт только для специализаций Data Sciences and Analytics. Предпосылки: один из STAT 3P82 и STAT 3P86 или STAT (DASA) 3P87 или разрешение преподавателя.
Предварительные требования
- Предпосылки: один из STAT 3P82 и STAT 3P86 или STAT (DASA) 3P87 или разрешение преподавателя
Условия и порядок
- Ограничение: открыт только для специализаций Data Sciences and Analytics.
- Предпосылки: один из STAT 3P82 и STAT 3P86 или STAT (DASA) 3P87 или разрешение преподавателя
Текст источника на языке оригинала
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
Источники и ссылки
Даты и источники сохраняются, чтобы помочь вам проверить сведения. Переводы предлагаются для удобства чтения; официальным источником для условий и требований является оригинал.
Исходная ссылка : https://brocku.ca/webcal/2024/undergrad/math.html