Matemaatika andmeteaduse jaoks. 2. osa. Tõenäosusteooria ja matemaatiline statistika - kursus 27 990 RUB. alates Spetsialist, koolitus 40 akadeemilist tundi, kuupäev 15. mai 2023. a.
Varia / / December 03, 2023
Professionaalne programmeerimiskursuste õpetaja, diplomeeritud arendaja Pythoni instituut üldise töökogemusega IT valdkonnas rohkem kui 20 aastat. Ehitatud IT-süsteemid 4 ettevõttes nullist. Rohkem kui 5 aastat.
Vadim Viktorovitš lõpetas 2000. aastal Venemaa Riikliku Humanitaarülikooli informaatika ja arvutiteaduse erialal. Tõeline professionaal haldusküsimustes DBMS, ettevõtte äriprotsesside automatiseerimine (ERP, CRM jne), katsejuhtumite loomine ja töötajate koolitamine.
Suudab motiveerida ja köita. Ta on kuulajate suhtes nõudlik, alati valmis keerulisi kohti selgeks tegema. Laialdased reaalsete projektidega töötamise kogemused võimaldavad tal pöörata tähelepanu nendele detailidele, mis algajatel arendajatel tavaliselt kahe silma vahele jäävad.
1. moodul. Tõenäosusteooria põhimõisted. Näited (4 ak. h.)
2. moodul. Juhuslikud sündmused. Tinglik tõenäosus. Bayesi valem. Sõltumatud testid (4 ak. h.)
3. moodul. Diskreetsed juhuslikud muutujad. Tõenäosuse jaotuse seadus. Binoomjaotuse seadus. Poissoni jaotus (4 ak. h.)
4. moodul. Kirjeldav statistika. Populatsiooni kvalitatiivsed ja kvantitatiivsed omadused. Andmete graafiline esitus (4 ak. h.)
5. moodul. Pidevad juhuslikud muutujad. Jaotusfunktsioon ja tõenäosustiheduse funktsioon. Ühtlane ja normaaljaotus. Keskpiiri teoreem (4 ak. h.)
6. moodul. Statistiliste hüpoteeside kontrollimine. P-väärtused. Usaldusintervallid. (4 ak. h.)
7. moodul. Koguste vaheline seos. Parameetrilised ja mitteparameetrilised korrelatsioonimeetmed. Korrelatsioonianalüüs. (4 ak. h.)
8. moodul. Mitmemõõtmeline statistiline analüüs. Lineaarne regressioon (4 ak. h.)
9. moodul. Dispersioonanalüüs. Logistiline regressioon (4 ak. h.)
10. moodul. Uuritud tõenäosusteooria ja matemaatilise statistika osade rakendamine üldisel näitel (Jupiteri märkmik). Projekt. (4 ak. h.)
Andmeteadus hõlmab laia valikut lähenemisviise ja meetodeid mis tahes suurusega andmekogumite kogumiseks, töötlemiseks, analüüsimiseks ja visualiseerimiseks. Selle teaduse omaette praktiliselt oluline valdkond on uute põhimõtete järgi töötamine suurandmetega matemaatiline ja arvutuslik modelleerimine, kui klassikalised meetodid lakkavad töötamast nende võimatuse tõttu skaleerimine. See kursus on mõeldud selleks, et aidata õpilasel omandada ainevaldkonna põhitõdesid sõnastuse ja tüüpiliste probleemide lahendamine, millega andmeteaduse uurija võib endal kokku puutuda tööd. Õpetamaks õpilast selliseid probleeme lahendama, annavad kursuse autorid üliõpilasele vajaliku teoreetilise miinimumi ning näitavad, kuidas tööriistabaasi praktikas kasutada.
4,2
Värskendad oma teadmisi matemaatikast, õpid põhilisi valemeid ja funktsioone ning mõistad masina põhitõdesid koolituse ja võid alustada karjääri Data Science’is – IT-ettevõtted üle maailma otsivad just selliseid spetsialiste.
4,4