Bu referans belirtilen kataloğu tanımlar. Güncel teklifi ve başlangıç için geçerli koşulları doğrulamak üzere kuruma başvurun.
Açıklama
Hesaplamalı İstatistik Sınıflandırma: lojistik regresyon, lineer ve kuadratik diskriminant analizi; Yeniden örnekleme yöntemleri: çapraz doğrulama ve bootstrap; Lineer model seçimi ve düzenleme: alt küme seçimi, küçültme yöntemleri, boyut indirgeme yöntemleri, yüksek boyutlarda dikkate alınması gerekenler; Doğrusal olmayan regresyon: polinom regresyonu, regresyon splinleri, düzleştirme splinleri, yerel regresyon ve genelleştirilmiş eklemeli modeller; Ağaç temelli yöntemler: karar ağaçları, bagging, rastgele ormanlar ve boosting; Destek vektör makineleri: maksimum marj sınıflandırıcısı, destek vektör sınıflayıcılar, destek vektör makineleri (SVM), iki sınıftan fazla sınıflar için SVM'ler; Gözetimsiz öğrenme: temel bileşen analizi, kümeleme yöntemleri. Dersler, haftada 3 saat; Laboratuvar, haftada 1 saat. Kısıtlama: yalnızca Data Sciences and Analytics ana dalı öğrencilerine açıktır. Önkoşul(lar): STAT 3P82 veya STAT 3P86 veya STAT (DASA) 3P87'den biri ya da eğitmenin izni.
Önkoşullar
- Önkoşul(lar): STAT 3P82 veya STAT 3P86 veya STAT (DASA) 3P87'den biri ya da eğitmenin izni.
Şartlar ve koşullar
- Kısıtlama: yalnızca Data Sciences and Analytics ana dalı öğrencilerine açıktır.
- Önkoşul(lar): STAT 3P82 veya STAT 3P86 veya STAT (DASA) 3P87'den biri ya da eğitmenin izni.
Kaynak metin orijinal dilinde
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
Kaynaklar ve referanslar
Tarih ve kaynaklar bilgileri doğrulamanıza yardımcı olmak için saklanır. Okumayı kolaylaştırmak için çeviriler sunulmuştur; koşullar ve gereksinimler için resmi kaynak esas alınır.
Kaynak referans : https://brocku.ca/webcal/2024/undergrad/math.html