Пройдя обучение по программе данной Специализированной магистратуры, вы внесете свой вклад в развитие вычислительной статистики, получив наиболее полные знания, основанные на лучших компьютерных технологиях и методах программирования"

Достижения в области статистики способствовали принятию точных и эффективных решений на основе массового сбора данных, их анализа и сделанных на их основе выводов. Однако, если и есть элемент, который в значительной степени способствовал развитию этой науки, так это ее согласованность с вычислительной техникой, благодаря которой стало возможным автоматизировать задачи, оптимизировать действия и обрабатывать огромные объемы информации за считанные секунды. И дело в том, что программирование сложных алгоритмов и проектирование статических и динамических структур данных позволило профессионалам в этой области работать более безопасным и гарантированным образом при оценке тенденций и различных социальных, экономических и политических прогнозов в современных условиях.

Исходя из этого и учитывая высокий уровень знаний, необходимых в данной области, TECH и его команда экспертов решили запустить программу, позволяющую студенту войти в курс вычислительной статистики через всестороннее изучение ее основных областей. В этом и заключается суть данной Специализированной магистратуры, представляющей собой академический опыт в объеме 1800 часов, который охватывает новейшие разработки, связанные с описанием и исследованием данных, программированием и использованием основного статистического программного обеспечения (SPSS и R). Кроме того, основное внимание уделяется применению статистики в современной промышленности и выборочным схемам для различных отраслей. Наконец, в программе выделены основные многомерные методы повышения качества результатов и, следовательно, прогнозирования.

И все это в режиме 100% онлайн по программе, разработанной признанными экспертами в данной области, которые не только принимали активное участие в составлении учебной программы, но и отобрали сотни часов дополнительного разнообразного материала: практические кейсы, подробные видеоматериалы, научные статьи, дополнительное чтение и многое другое! Все материалы будут доступны в виртуальном учебном пространстве с самого начала учебного процесса и могут быть загружены на любое устройство, имеющее подключение к Интернету. Таким образом, TECH предлагает комплексную и гибкую подготовку, адаптированную к потребностям своих студентов и к самым высоким требованиям современного рынка труда в области вычислительной статистики.

Достижение мастерства и высочайшего профессионального уровня не составит труда благодаря курсу данной программы и высокой степени специализации, которую вы приобретете, закончив ее"

Данная Специализированная магистратура в области вычислительной статистики содержит самую полную и современную образовательную программу на рынке. Основными особенностями обучения являются:

• Разбор практических кейсов, представленных экспертами в области вычислительной статистики
• Наглядное, схематичное и исключительно практичное содержание программы предоставляет техническую и практическую информацию по тем дисциплинам, которые необходимы для профессиональной деятельности
• Практические упражнения для самооценки, контроля и улучшения успеваемости
• Особое внимание уделяется инновационным методологиям
• Теоретические занятия, вопросы эксперту, дискуссионные форумы по спорным темам и самостоятельная работа
• Учебные материалы курса доступны с любого стационарного или мобильного устройства с выходом в интернет

Программа, которая рассматривает вычислительную статистику от основ до ее исчерпывающей обработки, через приобретение ключевых концепций и использование основных компьютерных программ"

Преподавательский состав входят профессионалы сектора, которые вносят свой опыт работы в эту программу, а также признанные специалисты, принадлежащие к ведущим научным сообществам и престижным университетам.

Мультимедийное содержание программы, разработанное с использованием новейших образовательных технологий, позволит специалисту проходить обучение с учетом контекста и ситуации, т.е. в симулированной среде, обеспечивающей иммерсивный учебный процесс, запрограммированный на обучение в реальных ситуациях.

Структура этой программы основана на проблемно-ориентированном обучении, с помощью которого специалист должен попытаться разрешать различные ситуации из профессиональной практики, возникающие в течение учебного курса. Для этого специалисту будет помогать инновационная система интерактивных видеоматериалов, созданная признанными и опытными специалистами.

Вы будете работать над разработкой сложных алгоритмов с помощью самых инновационных и эффективных описательных методов современной вычислительной среды"

В виртуальном учебном пространстве вы найдете 1800 часов разнообразного содержания, доступ к которому возможен из любого места и в любое время, с любого устройства, имеющего подключение к Интернету"

Учебный план данной программы был разработан группой экспертов в области компьютерных наук и статистики, которые, следуя строгим критериям качества TECH, отобрали самую современную и полную информацию в данной области. Кроме того, программа адаптирована к методике Relearning, которая заключается в повторении наиболее важных понятий на протяжении всего учебного курса, что способствует постепенному и прогрессивному усвоению материала без необходимости тратить лишние часы на заучивание. Таким образом, студент получает образование высочайшего академического уровня, с помощью которого он, несомненно, профессионально овладеет инструментами и методами вычислительной статистики.

У вас будет специальный модуль, посвященный методологии "Шесть сигм", с помощью которой вы сможете уменьшить количество брака или отказов при поставке продукта или услуги клиенту/пользователю"

Модуль 1. Описание и исследование данных

1.1. Введение в статистику

1.1.1. Основные понятия статистики
1.1.2. Цель исследовательского анализа данных или описательная статистика
1.1.3. Типы переменных и шкалы измерения
1.1.4. Округление и научная система счисления

1.2. Сводные статистические данные

1.2.1. Частотные распределения: таблицы
1.2.2. Интервалы группировки
1.2.3. Графические представления
1.2.4. Дифференциальная диаграмма
1.2.5. Интегральная диаграмма

1.3. Одномерная описательная статистика

1.3.1. Характеристики центрального положения: среднее, медиана, мода
1.3.2. Другие позиционные характеристики: квартили, децили и перцентили
1.3.3. Дисперсионные характеристики: дисперсия и стандартное отклонение (выборочное и популяционное), диапазон, интерквартильный размах
1.3.4. Относительные дисперсионные характеристики
1.3.5. Стандартизированные показатели
1.3.6. Характеристики формы: симметрия и эксцесс

1.4. Дополнения при исследовании переменной

1.4.1. Эксплораторный анализ: графики и другие диаграммы
1.4.2. Преобразование переменных
1.4.3. Другие средние: геометрические, гармонические, квадратичные
1.4.4. Неравенство Чебышева

1.5. Двумерная описательная статистика

1.9.1. Двумерные частотные распределения
1.5.2. Статистические таблицы с двойной записью. Предельные и условные распределения
1.5.3. Концепции функциональной независимости и зависимости
1.5.4. Графические представления

1.6. Дополнения при исследовании двух переменных

1.6.1. Числовые характеристики двумерного распределения
1.6.2. Совместные, предельные и условные моменты
1.6.3. Взаимосвязь между предельными и условными мерами

1.7. Регрессия

1.7.1. Общая линия регрессии
1.7.2. Кривые регрессии 
1.7.3. Линейная подгонка
1.7.4. Прогнозирование и ошибки

1.8. Корреляция

1.8.1. Понятие корреляции
1.8.2. Коэффициенты корреляции
1.8.3. Коэффициент корреляции Пирсона
1.8.4. Анализ корреляции

1.9. Корреляция между атрибутами

1.9.1. Коэффициент Спирмена
1.9.2. Коэффициент Кендалла
1.9.3. Хи-квадрат

1.10. Введение в анализ временных рядов

1.10.1. Временная серия
1.10.2. Стохастический процесс

1.10.2.1. Стационарные процессы
1.10.2.2. Нестационарные процессы

1.10.3. Модели
1.10.4. Области применения

Модуль 2. Программирование

2.1. Введение в программирование

2.1.1. Базовая структура компьютера
2.1.2. Программное обеспечение
2.1.3. Языки программирования
2.1.4. Жизненный цикл программного приложения

2.2. Разработка алгоритмов

2.2.1. Решение задач
2.2.2. Описательные техники
2.2.3. Элементы и структура алгоритма

2.3. Элементы программ

2.3.1. Происхождение и особенности языка C++
2.3.2. Среда разработки
2.3.3. Концепция программы
2.3.4. Фундаментальные виды данных
2.3.5. Операторы
2.3.6. Выражения
2.3.7. Операторы
2.3.8. Ввод и вывод данных

2.4. Операторы управления

2.4.1. Операторы
2.4.2. Бифуркации
2.4.3. Петли

2.5. Абстракция и модульность: функции

2.5.1. Модульное программирование
2.5.2. Концепция функции и утилиты
2.5.3. Определение функции
2.5.4. Поток выполнения во время вызова функции
2.5.5. Прототип функции
2.5.6. Возвращение результатов
2.5.7. Вызов функции: параметры
2.5.8. Передача параметров по ссылке и по значению
2.5.9. Область идентификатора

2.6. Статические структуры данных

2.6.1. Матрицы
2.6.2. Матрицы. Полиэдры
2.6.3. Поиск и сортировка
2.6.4. Строки. Функции ввода/вывода для строк
2.6.5. Структуры. Объединения
2.6.6. Новые виды данных

2.7. Динамические структуры данных: указатели

2.7.1. Понятие. Понятие указателя
2.7.2. Операторы и операции с указателями
2.7.3. Массивы указателей
2.7.4. Указатели и массивы
2.7.5. Указатели на строки
2.7.6. Указатели на структуры
2.7.7. Множественная косвенность
2.7.8. Указатели на функции
2.7.9. Передача функций, структур и массивов в качестве параметров функций

2.8. Файлы

2.8.1. Основные понятия
2.8.2. Операции с файлами
2.8.3. Типы файлов
2.8.4. Организация файлов
2.8.5. Введение в файлы C++
2.8.6. Работа с файлами

2.9. Рекурсия

2.9.1. Определение рекурсии
2.9.2. Виды рекурсии
2.9.3. Преимущества и недостатки
2.9.4. Соображения
2.9.5. Рекурсивно-итеративное преобразование
2.9.6. Стек рекурсии

2.10. Тестирование и документация

2.10.1. Тестирование программ
2.10.2. Тестирование методом "белого ящика"
2.10.3. Тестирование методом "черного ящика"
2.10.4. Инструменты для тестирования
2.10.5. Программная документация

Модуль 3. Статистическое программное обеспечение I

3.1. Введение в среду SPSS

3.1.1. Как работает SPSS
3.1.2. Создание, перечисление и удаление объектов в памяти

3.2. Консоль в SPSS

3.2.1. Консольная среда в SPSS
3.2.2. Основные элементы управления

3.3. Режим Script в SPSS

3.3.1. Среда Script в SPSS
3.3.2. Основные команды

3.4. Объекты в SPSS

3.4.1. Предметы
3.4.2. Чтение данных из файла
3.4.3. Сохранение данных
3.4.4. Формирование данных

3.5. Структуры управления потоком выполнения программы

3.5.1. Условные структуры
3.5.2. Повторяющиеся/итеративные структуры
3.5.3. Векторы и матрицы

3.6. Операции с объектами

3.6.1. Создание объектов
3.6.2. Преобразование объектов
3.6.3. Операторы
3.6.4. Как получить доступ к значениям объекта: система индексирования?
3.6.5. Доступ к значениям названного объекта
3.6.6. Редактор данных
3.6.7. Простейшие арифметические функции
3.6.8. Матричные вычисления

3.7. Функции в SPSS

3.7.1. Циклы и векторизация
3.7.2. Создание собственных функций

3.8. Графики в SPSS

3.8.1. Работа с графиками

3.8.1.1. Открытие нескольких графических устройств
3.8.1.2. Макет графика

3.8.2. Функции графиков
3.8.3. Параметры графиков

3.9. Пакеты программ SPSS

3.9.1. Библиотека SPSS
3.9.2. Пакеты программ SPSS

3.10. Статистика в SPSS

3.10.1. Простой пример дисперсионного анализа
3.10.2. Формулы
3.10.3. Общие функции

Модуль 4. Статистическое программное обеспечение II

4.1. Введение в среду языка программирования R

4.1.1. Как работает R?
4.1.2. Создание, перечисление и удаление объектов в памяти

4.2. Консоль на R

4.2.1. Консольная среда на R
4.2.2. Основные элементы управления

4.3. Режим Script на R

4.3.1. Консольная среда на R
4.3.2. Основные команды

4.4. Объекты на R

4.4.1. Предметы
4.4.2. Чтение данных из файла
4.4.3. Сохранение данных
4.4.4. Формирование данных

4.5. Структуры управления потоком выполнения программы

4.5.1. Условные структуры
4.5.2. Повторяющиеся/итеративные структуры
4.5.3. Векторы и матрицы

4.6. Операции с объектами

4.6.1. Создание объектов
4.6.2. Преобразование объектов
4.6.3. Операторы
4.6.4. Как получить доступ к значениям объекта: система индексирования
4.6.5. Доступ к значениям названного объекта
4.6.6. Редактор данных
4.6.7. Простейшие арифметические функции
4.6.8. Матричные вычисления

4.7. Функции на R

4.7.1. Циклы и векторизация
4.7.2. Написание программы на R
4.7.3. Создание собственных функций

4.8. Графики на R

4.8.1. Работа с графиками

4.8.1.1. Открытие нескольких графических устройств
4.8.1.2. Макет графика

4.8.2. Функции графиков
4.8.3. Графические команды низкого уровня
4.8.4. Параметры графиков
4.8.5. Пакеты Grid и Lattice

4.9. Пакеты R

4.9.1. Библиотека R
4.9.2. Пакеты R

4.10. Статистика на R

4.10.1. Простой пример дисперсионного анализа
4.10.2. Формулы
4.10.3. Общие функции

Модуль 5. Применение статистики в промышленности

5.1. Теория массового обслуживания

5.1.1. Введение
5.1.2. Системы массового обслуживания
5.1.3. Показатели эффективности
5.1.4. Пуассоновский процесс
5.1.5. Экспоненциальное распределение
5.1.6. Процесс рождения и гибели
5.1.7. Модели массового обслуживания в работе сервера
5.1.8. Мультисерверные модели
5.1.9. Модели массового обслуживания с ограничением пропускной способности
5.1.10. Модели с конечными источниками
5.1.11. Общие модели

5.2. Введение в графы

5.2.1. Основные понятия
5.2.2. Ориентированные и неориентированные графы
5.2.3. Представления матриц: матрица смежности и матрица инцидентности

5.3. Применение графов

5.3.1. Деревья: свойства
5.3.2. Укорененные деревья
5.3.3. Алгоритм поиска в глубину
5.3.4. Приложение для определения блоков
5.3.5. Алгоритм поиска в ширину
5.3.6. Минимальное остовное дерево

5.4. Пути и расстояния

5.4.1. Расстояние в графах
5.4.2. Метод критического пути

5.5. Максимальный поток

5.5.1. Транспортные сети
5.5.2. Распределение потоков при минимальных затратах

5.6. Методика оценки и анализа программ (PERT)

5.6.1. Определение
5.6.2. Методика
5.6.3. Области применения

5.7. Метод критического пути (CPM)

5.7.1. Определение
5.7.2. Методика
5.7.3. Области применения

5.8. Управление проектами

5.8.1. Различия между методами PERT и CPM, их преимущества
5.8.2. Процедура отображения сетевой модели
5.8.3. Приложения со случайной длительностью активности

5.9. Детерминированные модели управления запасами

5.9.1. Расходы, связанные с потоками
5.9.2. Затраты, связанные с запасами или складированием
5.9.3. Затраты, связанные с процессами. Планирование пополнения запасов
5.9.4. Модели управления запасами

5.10. Cтохастические (вероятностные) модели управления запасами

5.10.1. Уровень сервиса и запас прочности
5.10.2. Оптимальная величина заказа
5.10.3. Период
5.10.4. Разные периоды
5.10.5. Постоянная проверка
5.10.6. Периодическая проверка

Модуль 6. Схемы выборок

6.1. Общие сведения о выборке

6.1.1. Введение
6.1.2. Исторические заметки
6.1.3. Понятие популяции, рамки и выборки
6.1.4. Преимущества и недостатки выборочного метода
6.1.5. Этапы процесса выборки
6.1.6. Применение выборки
6.1.7. Виды выборки
6.1.8. Образцы проектов

6.2. Простая случайная выборка

6.2.1. Введение
6.2.2. Определение структуры выборки - простая случайная выборка (SRS (N, n)), механическая систематическая выборка и соответствующие параметры
6.2.3. Оценка параметров популяции
6.2.4. Определение объема выборки (без пополнения)
6.2.5. Определение объема выборки (с пополнением)
6.2.6. Сравнение простой случайной выборки без пополнения и с пополнением
6.2.7. Оценка в субпопуляциях

6.3. Вероятностная выборка

6.3.1. Введение
6.3.2. Разработка или порядок выполнения выборки
6.3.3. Статистики, оценки и их свойства
6.3.4. Распределение оценочного показателя в выборке
6.3.5. Выбор единиц без пополнения и с пополнением. Равные вероятности
6.3.6. Одновременная оценка переменных

6.4. Применение вероятностных выборок

6.4.1. Основные области применения
6.4.2. Примеры

6.5. Стратифицированная случайная выборка

6.5.1. Введение
6.5.2. Определение и характеристики
6.5.3. Оценки при средней абсолютной ошибке MAE (n)
6.5.4. Аффиксы
6.5.5. Определение размера выборки
6.5.6. Другие аспекты средней абсолютной ошибки (MAE)

6.6. Применение стратифицированной случайной выборки

6.6.1. Основные области применения
6.6.2. Примеры

6.7. Систематическая выборка

6.7.1. Введение
6.7.2. Оценки в систематической выборке
6.7.3. Вариационное разложение в систематической выборке
6.7.4. Эффективность систематической выборки по сравнению с простой случайной выборкой (SRS)
6.7.5. Оценка вариации: повторные или взаимопроникающие выборки

6.8. Применение систематической выборки

6.8.1. Основные области применения
6.8.2. Примеры

6.9. Косвенные методы оценки

6.9.1. Методы соотношений
6.9.2. Методы регрессии

6.10. Применение косвенных методов оценки

6.10.1. Основные области применения
6.10.2. Примеры

Модуль 7. Многомерные статистические методы I

7.1. Факторный анализ

7.1.1. Введение
7.1.2. Основы факторного анализа
7.1.3. Факторный анализ
7.1.4. Методы вращения факторов и интерпретация факторного анализа

7.2. Моделирование факторного анализа

7.2.1. Примеры
7.2.2. Моделирование в статистических программах

7.3. Анализ основных компонентов

7.3.1. Введение
7.3.2. Анализ основных компонентов
7.3.3. Систематический анализ главных компонентов

7.4. Моделирование на основе анализа главных компонентов

7.4.1. Примеры
7.4.2. Моделирование в статистических программах

7.5. Анализ соответствий

7.5.1. Введение
7.5.2. Тест независимости
7.5.3. Профили строк и столбцов
7.5.4. Анализ инерции облака точек
7.5.5. Анализ множественных соответствий

7.6. Моделирование анализа соответствия

7.6.1. Примеры
7.6.2. Моделирование в статистических программах

7.7. Дискриминантный анализ

7.7.1. Введение
7.7.2. Правила принятия решений для двух групп
7.7.3. Классификация по нескольким видам популяций
7.7.4. Канонический дискриминантный анализ Фишера
7.7.5. Выбор переменных: алгоритмы Forward и Backward
7.7.6. Систематика дискриминантного анализа

7.8. Моделирование дискриминантного анализа

7.8.1. Примеры
7.8.2. Моделирование в статистических программах

7.9. Кластерный анализ

7.9.1. Введение
7.9.2. Меры расстояния и сходства
7.9.3. Иерархические алгоритмы ранжирования
7.9.4. Неиерархические алгоритмы ранжирования
7.9.5. Процедуры определения необходимого количества групп
7.9.6. Характеристика кластеров
7.9.7. Систематический кластерный анализ

7.10. Моделирование кластерного анализа

7.10.1. Примеры
7.10.2. Моделирование в статистических программах

Модуль 8. Многомерные статистические методы II

8.1. Введение
8.2. Номинальная шкала

8.2.1. Показатели ассоциации для таблиц 2x2

8.2.1.1. Коэффициент фи
8.2.1.2. Относительный риск
8.2.1.3. Отношение шансов (Odds ratio)

8.2.2. Показатели ассоциации для таблиц IxJ

8.2.2.1. Коэффициентом непредвиденных обстоятельств
8.2.2.2. Коэффициент Крамера V
8.2.2.3. Лямбда-функции
8.2.2.4. Коэффициент Тау Гудмена и Краскала
8.2.2.5. Коэффициент неопределенности

8.2.3. Статистика Каппы Коэна

8.3. Ординарная шкала

8.3.1. Коэффициент гамма
8.3.2. Коэффициенты Tau-b и Tau-c Кендалла
8.3.3. D Сомерса

8.4. Интервальная шкала или шкала отношений

8.4.1. Коэффициент Eta
8.4.2. Коэффициенты корреляции Спирмена и Пирсона

8.5. Стратифицированный анализ в таблицах 2х2

8.5.1. Стратифицированный анализ
8.5.2. Стратифицированный анализ в таблицах 2х2

8.6. Постановка задачи в логлинейных моделях

8.6.1. Насыщенная модель для двух переменных
8.6.2. Общая насыщенная модель
8.6.3. Другие типы моделей

8.7. Насыщенная модель

8.7.1. Расчет эффектов
8.7.2. Качество соответствия статистической модели
8.7.3. Тест K-эффектов
8.7.4. Тест на частичную ассоциацию

8.8. Иерархическая модель

8.8.1. Метод Backward

8.9. Модели ответа Probit

8.9.1. Формулировка проблемы
8.9.2. Оценка параметров
8.9.3. Проверка гипотезы критерием хи-квадрат
8.9.4. Тест на параллельность для групп
8.9.5. Определение величины дозы, необходимой для получения заданной пропорции результат

8.10. Бинарная логистическая регрессия

8.10.1. Формулировка проблемы
8.10.2. Качественные переменные в логистической регрессии
8.10.3. Выбор переменных
8.10.4. Оценка параметров
8.10.5. Качество соответствия статистической модели
8.10.6. Классификация индивидуумов
8.10.7. Прогноз

Модуль 9. Методология "Шесть сигм" для улучшения качества

9.1. Статистическое обеспечение качества

9.1.1. Введение
9.1.2. Статистическое обеспечение качества

9.2. Методология "Шесть сигм"

9.2.1. Стандарты качества
9.2.2. Методология "Шесть сигм"

9.3. Контрольные графики

9.3.1. Введение
9.3.2. Процесс в состоянии статистического контроля и процесс в состоянии выхода из-под контроля
9.3.3. Контрольные графики и проверка гипотез
9.3.4. Статистическая основа контрольных графиков. Общая модель
9.3.5. Типы контрольных графиков

9.4. Другие инструменты статистического контроля процессов (SPC)

9.4.1. Практический иллюстративный кейс
9.4.2. Другие инструменты "великолепной семерки"

9.5. Контрольные карты для атрибутов

9.5.1. Введение
9.5.2. Контрольные карты для несоответствующей пропорции
9.5.3. Контрольные карты для числа несоответствий
9.5.4. Контрольные карты дефектов

9.6. Контрольные карты для переменных

9.6.1. Введение
9.6.2. Контрольные карты средних значений и диапазона
9.6.3. Индивидуальные контрольные карты
9.6.4. Контрольные карты на основе скользящих средних

9.7. Приемочная выборка от партии к партии по атрибутам

9.7.1. Введение
9.7.2. Простая выборка по признакам
9.7.3. Двойная выборка по признакам
9.7.4. Множественная выборка по признакам
9.7.5. Последовательная выборка
9.7.6. Проверка с исправлением

9.8. Анализ возможностей процесса и системы измерений

9.8.1. Анализ возможностей процесса
9.8.2. Исследование потенциала измерительных систем

9.9. Введение в методологию Тагути для оптимизации технологических процессов

9.9.1. Введение в методологию Тагути
9.9.2. Качество за счет оптимизации процессов

9.10. Примеры из практики

9.10.1. Практические кейсы контрольных карт для атрибутов
9.10.2. Практические кейсы контрольных карт для переменных величин
9.10.3. Практические кейсы по приемочной выборке от партии к партии по атрибутам
9.10.4. Практические кейсы исследований для анализа возможностей процессов и систем измерений
9.10.5. Практические кейсы для ознакомления с методологией Тагути с целью оптимизации процессов

Модуль 10. Передовые методы прогнозирования

10.1. Модель общей линейной регрессии

10.1.1. Определение
10.1.2. Свойства
10.1.3. Примеры

10.2. Регрессия по методу частичных наименьших квадратов

10.2.1. Определение
10.2.2. Свойства
10.2.3. Примеры

10.3. Регрессия главных компонент

10.3.1. Определение
10.3.2. Свойства
10.3.3. Примеры

10.4. Регрессия с уменьшенным диапазоном (RRR)

10.4.1. Определение
10.4.2. Свойства
10.4.3. Примеры

10.5. Гребневая (ридж) регрессия

10.5.1. Определение
10.5.2. Свойства
10.5.3. Примеры

10.6. Регрессия Лассо

10.6.1. Определение
10.6.2. Свойства
10.6.3. Примеры

10.7. Эластичная чистая регрессия

10.7.1. Определение
10.7.2. Свойства
10.7.3. Примеры

10.8. Нелинейные модели прогнозирования

10.8.1. Нелинейные регрессионные модели
10.8.2. Нелинейный метод наименьших квадратов
10.8.3. Преобразование в линейную модель

10.9. Оценка параметров в нелинейной системе

10.9.1. Линеаризация
10.9.2. Другие методы оценки параметров
10.9.3. Исходные значения
10.9.4. Компьютерное программное обеспечение

10.10. Статистический вывод в нелинейной регрессии

10.10.1. Статистический вывод в нелинейной регрессии
10.10.2. Проверка приблизительного вывода
10.10.3. Примеры

У вас есть прекрасная возможность развернуть свою карьеру на 180º и специализироваться в бурно развивающейся области, на которую возлагаются большие надежды, например, в области вычислительной статистики. Готовы ли вы отказаться от него?”