Matematikk for datavitenskap. Del 2. Sannsynlighetsteori og matematisk statistikk - kurs RUB 27.990. fra Spesialist, opplæring 40 akademiske timer, dato 15. mai 2023.
Miscellanea / / December 03, 2023
Profesjonell programmeringskurslærer, sertifisert utvikler Python Institute med generell arbeidserfaring innen IT-feltet mer enn 20 år. Bygget IT-systemer i 4 bedrifter fra bunnen av. Mer enn 5 år.
Vadim Viktorovich ble uteksaminert fra det russiske statsuniversitetet for humaniora i 2000 med spesialisering i informatikk og informatikk. En ekte profesjonell i administrasjonsspørsmål DBMS, automatisering av bedriftens forretningsprosesser (ERP, CRM etc.), lage testcases og lære opp ansatte.
Kunne motivere og fengsle. Han er krevende av sine lyttere, alltid klar til å avklare vanskelige punkter. Omfattende erfaring med å jobbe med ekte prosjekter lar ham ta hensyn til de detaljene som vanligvis overses av nybegynnere.
Modul 1. Grunnleggende begreper i sannsynlighetsteori. Eksempler (4 ac. h.)
Modul 2. Tilfeldige hendelser. Betinget sannsynlighet. Bayes formel. Uavhengige tester (4 ac. h.)
Modul 3. Diskrete tilfeldige variabler. Lov om sannsynlighetsfordeling. Binomialfordelingslov. Giftfordeling (4 ac. h.)
Modul 4. Beskrivende statistikk. Kvalitative og kvantitative egenskaper ved befolkningen. Grafisk presentasjon av data (4 ak. h.)
Modul 5. Kontinuerlige tilfeldige variabler. Fordelingsfunksjon og sannsynlighetstetthetsfunksjon. Ensartet og normal fordeling. Sentral grensesetning (4 ak. h.)
Modul 6. Testing av statistiske hypoteser. P-verdier. Konfidensintervaller. (4 ac. h.)
Modul 7. Sammenheng mellom mengder. Parametriske og ikke-parametriske korrelasjonsmål. Korrelasjonsanalyse. (4 ac. h.)
Modul 8. Multivariat statistisk analyse. Lineær regresjon (4 ac. h.)
Modul 9. Analyse av varianter. Logistisk regresjon (4 ac. h.)
Modul 10. Anvendelse av de studerte delene av sannsynlighetsteori og matematisk statistikk på et generelt eksempel (Jupiter notatbok). Prosjekt. (4 ac. h.)
Datavitenskap inkluderer et bredt spekter av tilnærminger og metoder for å samle inn, behandle, analysere og visualisere datasett av alle størrelser. Et eget praktisk viktig område av denne vitenskapen er å jobbe med store data ved å bruke nye prinsipper matematisk og beregningsmessig modellering, når klassiske metoder slutter å virke på grunn av deres umulighet skalering. Dette kurset er laget for å hjelpe studenten å lære det grunnleggende innen fagområdet gjennom formulering og løse typiske problemer som en datavitenskapsforsker kan støte på i hans eller henne arbeid. For å lære studenten å løse slike problemer, gir forfatterne av emnet studenten det nødvendige teoretiske minimumet og viser hvordan man kan bruke verktøygrunnlaget i praksis.
4,2
Du vil friske opp kunnskapen din om matematikk, lære grunnleggende formler og funksjoner og forstå det grunnleggende om maskin opplæring og du kan starte en karriere innen Data Science - IT-selskaper over hele verden ser etter slike spesialister.
4,4