Машинное обучение
посмотреть теорию из второй части!!!
1. Фильтрация экспериментальных данных. Алгоритм плавающего среднего, экспоненциальный фильтр. Рекуррентные алгоритмы. Оценка качества фильтрации. Выбор между качеством фильтрации и скоростью.
2. Регрессионный анализ, основные допущения. Проверка значимости параметров и адекватности уравнения.
3. Проверка адекватности математической модели.
4. Структурная идентификация модели. Метод группового учёта аргументов.
5. Определение параметров линейного уравнения регрессии методом наименьших квадратов.
6. Определение параметров линейного уравнения регрессии (простой и множественной) с использованием статистических характеристик.
7. Понятие о законах распределения "Хи-квадрат", Стьюдента и Фишера. Примеры их использования. Понятие о статистических гипотезах и методах их проверки. Р- значение.
8. Определение параметров линейного уравнения регрессии в матричной форме.
9. Понятие о полном факторном эксперименте (ПФЭ). Построение планов ПФЭ, его свойства. Достоинства и недостатки. Определение параметров модели по данным полного факторного эксперимента, проверка их значимости, проверка адекватности модели.
10. Таблица дисперсионного анализа. Определение наличия регрессионной зависимости с использованием F - отношения. Множественный коэффициент корреляции.
11. Понятие о частном коэффициенте корреляции. Определение его значимости. Пример использования.
12. Методы последовательного уточнения структуры регрессионного уравнения: метод включений, метод исключений, метод пошаговой регрессии.
Справочные материалы:
Высокие статистические технологии
[1]
