Tham chiếu này mô tả mục lục được chỉ ra. Hãy liên hệ cơ sở để xác nhận chương trình hiện tại và các điều kiện áp dụng cho kỳ nhập học của bạn.
Mô tả
Thống kê tính toán Phân loại: hồi quy logistic, phân tích phân biệt tuyến tính và bậc hai; Phương pháp tái lấy mẫu: kiểm định chéo và bootstrap; Lựa chọn và điều chuẩn mô hình tuyến tính: lựa chọn tập con, phương pháp thu nhỏ, phương pháp giảm chiều, cân nhắc trong không gian chiều cao; Hồi quy phi tuyến: hồi quy đa thức, spline hồi quy, spline làm mịn, hồi quy cục bộ và mô hình cộng hợp tổng quát; Phương pháp cây: cây quyết định, bagging, rừng ngẫu nhiên và boosting; Máy vectơ hỗ trợ: bộ phân loại biên tối đa, bộ phân loại vectơ hỗ trợ, máy vectơ hỗ trợ (SVM), SVM cho hơn hai lớp; Học không giám sát: phân tích thành phần chính, phương pháp phân cụm. Bài giảng, 3 giờ/tuần; phòng thí nghiệm, 1 giờ/tuần Hạn chế: chỉ mở cho sinh viên chuyên ngành Data Sciences and Analytics Điều kiện tiên quyết: một trong STAT 3P82 và STAT 3P86 hoặc STAT (DASA) 3P87 hoặc được phép của giảng viên
Tiền đề
- Điều kiện tiên quyết: một trong STAT 3P82 và STAT 3P86 hoặc STAT (DASA) 3P87 hoặc được phép của giảng viên
Điều kiện và thủ tục
- Hạn chế: chỉ mở cho sinh viên chuyên ngành Data Sciences and Analytics
- Điều kiện tiên quyết: một trong STAT 3P82 và STAT 3P86 hoặc STAT (DASA) 3P87 hoặc được phép của giảng viên
Văn bản tham chiếu bằng ngôn ngữ gốc
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
Nguồn và tham khảo
Ngày và nguồn được giữ lại để giúp bạn kiểm tra thông tin. Các bản dịch được cung cấp để dễ đọc; nguồn chính thức là tham chiếu cho các điều kiện và yêu cầu.
Nguồn tham khảo : https://brocku.ca/webcal/2024/undergrad/math.html