Matematik för datavetenskap. Del 2. Sannolikhetsteori och matematisk statistik - kurs 27 990 RUB. från Specialist, utbildning 40 akademiska timmar, datum 15 maj 2023.
Miscellanea / / December 03, 2023
Professionell programmeringskurslärare, certifierad utvecklare Python Institute med allmän arbetslivserfarenhet inom IT-området mer än 20 år. Byggt IT-system i 4 företag från grunden. Mer än 5 år.
Vadim Viktorovich tog examen från det ryska statsuniversitetet för humaniora år 2000 med en specialisering i informatik och datavetenskap. En sann professionell i administrationsfrågor DBMS, automatisering av företagets affärsprocesser (ERP, CRM etc.), skapa testfall och utbilda anställda.
Kunna motivera och fängsla. Han är krävande av sina lyssnare, alltid redo att klargöra svåra punkter. Omfattande erfarenhet av att arbeta med riktiga projekt gör att han kan uppmärksamma de detaljer som vanligtvis förbises av nybörjare.
Modul 1. Grundläggande begrepp inom sannolikhetsteorin. Exempel (4 ac. h.)
Modul 2. Slumpmässiga händelser. Villkorlig sannolikhet. Bayes formel. Oberoende tester (4 ac. h.)
Modul 3. Diskreta slumpvariabler. Sannolikhetsfördelningens lag. Binomial distributionslag. Poissonfördelning (4 ac. h.)
Modul 4. Beskrivande statistik. Kvalitativa och kvantitativa egenskaper hos befolkningen. Grafisk presentation av data (4 ak. h.)
Modul 5. Kontinuerliga slumpvariabler. Fördelningsfunktion och sannolikhetstäthetsfunktion. Enhetlig och normal fördelning. Central limit theorem (4 ak. h.)
Modul 6. Testa statistiska hypoteser. P-värden. Konfidensintervall. (4 ac. h.)
Modul 7. Samband mellan kvantiteter. Parametriska och icke-parametriska korrelationsmått. Korrelationsanalys. (4 ac. h.)
Modul 8. Multivariat statistisk analys. Linjär regression (4 ac. h.)
Modul 9. Variansanalys. Logistisk regression (4 ac. h.)
Modul 10. Tillämpning av de studerade delarna av sannolikhetsteori och matematisk statistik på ett allmänt exempel (Jupiter-anteckningsbok). Projekt. (4 ac. h.)
Datavetenskap inkluderar ett brett utbud av tillvägagångssätt och metoder för att samla in, bearbeta, analysera och visualisera datamängder av alla storlekar. Ett separat praktiskt viktigt område av denna vetenskap är att arbeta med big data med hjälp av nya principer matematisk och beräkningsmodellering, när klassiska metoder slutar fungera på grund av sin omöjlighet skalning. Denna kurs är utformad för att hjälpa studenten att lära sig grunderna i ämnesområdet genom formulering och lösa typiska problem som en datavetenskaplig forskare kan stöta på hos sin eller henne arbete. För att lära studenten att lösa sådana problem ger kursförfattarna studenten det nödvändiga teoretiska minimumet och visar hur man använder verktygsbasen i praktiken.
4,2
Du kommer att fräscha upp dina kunskaper om matematik, lära dig grundläggande formler och funktioner och förstå grunderna i maskin utbildning och du kan börja en karriär inom Data Science - IT-företag runt om i världen söker sådana specialister.
4,4