Анализ данных
-
Скопировать в буфер библиографическое описание
Анализ данных : учебник для вузов / под редакцией В. С. Мхитаряна. — Москва : Издательство Юрайт, 2025. — 448 с. — (Высшее образование). — ISBN 978-5-534-19964-2. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/560311 (дата обращения: 19.04.2025).
- Добавить в избранное
-
Поделиться
- ВКонтакте
- РћРТвЂВВВВВВВВнокласснРСвЂВВВВВВВВРєРСвЂВВВВВВВВ
- Skype
- Telegram
- Курс с экзаменом
Роль методов анализа данных в нашей жизни весьма значительна. Люди, часто не задумываясь и не осознавая, постоянно их используют в повседневной практике. Анализ данных пронизывает все аспекты современной жизни, служит основой для многих решений в предпринимательской и общественной деятельности, информируют о тенденциях и факторах, которые влияют на нашу жизнь. Анализ данных как научная дисциплина в системе прикладной статистики разрабатывает и систематизирует понятия, приемы, математические методы и модели, предназначенные для организации отбора из исследуемой совокупности подлежащих обследованию единиц, их стандартной записи, систематизации и обработке с целью их удобного представления и интерпретации, получения научных и практических выводов. В настоящем учебнике анализ данных рассматривается как дисциплина, основанная на статистических методах и вычислительных алгоритмах, позволяющих извлекать знания из результатов наблюдений.
- Авторский коллектив
- Предисловие
- Тема 1. Предварительный анализ данных. Описательная статистика
- Тема 2. Генеральная и выборочная совокупности
-
Тема 3. Корреляционный анализ
- 3.1. Основные понятия корреляционного анализа
- 3.2. Корреляционный анализ взаимосвязи количественных признаков
- 3.3. Корреляционный анализ взаимосвязи качественных признаков
- 3.4. Канонические корреляции и канонические величины генеральной совокупности
- 3.5. Оценка канонических корреляций и канонических величин
- 3.6. Примеры решения задач
-
Тема 4. Регрессионный анализ
- 4.1. Основные понятия
-
4.2. Двумерная линейная модель регрессии
- 4.2.1. Оценивание параметров регрессии
- 4.2.2. Определение интервальной оценки для b0
- 4.2.3. Определение интервальной оценки и проверка значимости b1
- 4.2.4. Определение интервальной оценки для условного математического ожидания
- 4.2.5. Модель регрессии в случае двумерной нормальной генеральной совокупности
- 4.2.6. Пример построения регрессионной модели себестоимости продукции
- 4.3. Множественная линейная модель регрессии
- 4.4. Нелинейные модели регрессии и их линеаризация
- 4.5. Регрессионные модели с фиктивными переменными
- Тема 5. Снижение размерности признакового пространства
-
Тема 6. Классификация многомерных наблюдений
- 6.1. Особенности задач многомерной классификации
-
6.2. Кластерный анализ, непараметрическая классификация без обучения
- 6.2.1. Основные понятия и определения кластерного анализа
- 6.2.2. Расстояние между объектами (кластерами) и меры близости групп объектов
- 6.2.3. Иерархические кластер-процедуры
- 6.2.4. Функционалы качества разбиения
- 6.2.5. Итерационные алгоритмы классификации. Метод k-средних
- 6.2.6. Иерархические алгоритмы, использующие понятие порога
- 6.3. Классификация с обучением. Дискриминантный анализ
- 6.4. Параметрическая классификация без обучения. Декомпозиция смесей вероятностных распределений
- Тема 7. Робастное оценивание параметров и непараметрические модели генеральной совокупности
-
Тема 8. Анализ временных данных
- 8.1. Введение в анализ временны х данных. Методы сглаживания временных данных и моделирования тенденции развития
- 8.2. Cтатистический анализ и прогнозирование сезонных колебаний во временны х данных
- 8.3. Применение адаптивных моделей, основанных на экспоненциальном сглаживании, для краткосрочного прогнозирования
- 8.4. Использование моделей авторегрессии - проинтегрированного скользящего среднего (моделей ARIMA)
- Список рекомендуемой литературы
- Приложение. Математико-статистические таблицы