Matematyka dla nauki o danych. Część 2. Teoria prawdopodobieństwa i statystyka matematyczna - kurs 27 990 RUB. od Specjalisty, szkolenie 40 godzin akademickich, termin 15 maja 2023 r.
Miscellanea / / December 03, 2023
Profesjonalny nauczyciel kursów programowania, certyfikowany programista Instytut Pythona z ogólnym doświadczeniem zawodowym w branży IT ponad 20 lat. Zbudowałem od podstaw systemy IT w 4 firmach. Więcej niż 5 lat.
Vadim Viktorovich ukończył Rosyjski Państwowy Uniwersytet Humanistyczny w 2000 roku ze specjalizacją w informatyce i informatyki. Prawdziwy profesjonalista w sprawach administracyjnych DBMS, automatyzacja procesów biznesowych firmy (ERP-a, CRM-a itp.), tworzenie przypadków testowych i szkolenie pracowników.
Potrafi motywować i zniewalać. Jest wymagający wobec swoich słuchaczy, zawsze gotowy do wyjaśnienia trudnych kwestii. Bogate doświadczenie w pracy nad prawdziwymi projektami pozwala mu zwrócić uwagę na te szczegóły, które zwykle są pomijane przez początkujących programistów.
Moduł 1. Podstawowe pojęcia teorii prawdopodobieństwa. Przykłady (4 ak. H.)
Moduł 2. Przypadkowe zdarzenia. Warunkowe prawdopodobieństwo. Wzór Bayesa. Niezależne testy (4 ac. H.)
Moduł 3. Dyskretne zmienne losowe. Prawo rozkładu prawdopodobieństwa. Prawo dystrybucji dwumianowej. Rozkład Poissona (4 ac. H.)
Moduł 4. Opisowe statystyki. Charakterystyka jakościowa i ilościowa populacji. Graficzna prezentacja danych (4 ak. H.)
Moduł 5. Ciągłe zmienne losowe. Funkcja rozkładu i funkcja gęstości prawdopodobieństwa. Rozkład równomierny i normalny. Centralne twierdzenie graniczne (4 ak. H.)
Moduł 6. Testowanie hipotez statystycznych. Wartości P. Przedziały ufności. (4 ak. H.)
Moduł 7. Zależność między wielkościami. Parametryczne i nieparametryczne miary korelacji. Analiza korelacji. (4 ak. H.)
Moduł 8. Wieloczynnikowa analiza statystyczna. Regresja liniowa (4 ak. H.)
Moduł 9. Analiza wariancji. Regresja logistyczna (4 ak. H.)
Moduł 10. Zastosowanie badanych działów teorii prawdopodobieństwa i statystyki matematycznej na ogólnym przykładzie (zeszyt Jupiter). Projekt. (4 ak. H.)
Analiza danych obejmuje szeroką gamę podejść i metod gromadzenia, przetwarzania, analizowania i wizualizacji zbiorów danych dowolnej wielkości. Oddzielnym, istotnym praktycznie obszarem tej nauki jest praca z big data z wykorzystaniem nowych zasad modelowanie matematyczne i obliczeniowe, gdy klasyczne metody przestają działać ze względu na ich niemożność skalowanie. Celem kursu jest pomoc studentom w opanowaniu podstaw danego obszaru tematycznego poprzez sformułowanie i rozwiązywanie typowych problemów, jakie badacz danych może napotkać w swojej pracy praca. Aby nauczyć studenta rozwiązywania takich problemów, autorzy kursu przekazują mu niezbędne minimum teoretyczne i pokazują, jak wykorzystać bazę narzędziową w praktyce.
4,2
Odświeżysz swoją wiedzę matematyczną, poznasz podstawowe wzory i funkcje oraz zrozumiesz podstawy działania maszyn szkolenia i możesz rozpocząć karierę w Data Science – takich specjalistów szukają firmy IT na całym świecie.
4,4