- Цели и задачи дисциплины
- Цель дисциплины: освоить методы и способы выбора, построения и анализа регрессионных моделей для решения различных научных и практических задач. Задачи: познакомиться с различными регрессионными моделями и подходами к их отбору на основе статистического анализа данных; научиться на практике проводить корреляционно-регрессионный анализ с использованием Пакета анализа Excel и библиотек языка программирования Python; освоить теоретические подходы анализа качества регрессионных моделей и их программную реализацию.
- Краткое содержание дисциплины
- В данном курсе рассматривается описательная статистика и корреляционный анализ, построение регрессионных моделей и оценка их качества с использованием пакета Microsoft Excel (надстройка Пакет анализа). Также используется язык программирования Python - работа осуществляется в онлайн-среде Google Colab. Рассматриваются возможности использования библиотек и модулей Python для анализа данных (Numpy, Pandas, Scipy, Statsmodels и др.) Большое внимание в курсе уделяется различным видам регрессионных моделей их реализации на языке Python. Описываются и закрепляются на примерах возможности визуализации данных, предоставляемых библиотеками Matplotlib и Seaborn. Обсуждаются проблемы мультиколлинеарности и способы борьбы с ней, в т. ч. построение регрессионных моделей на на главных компонентах.
- Компетенции обучающегося, формируемые в результате освоения дисциплины
- Выпускник должен обладать:
- ПК-2 Способен ставить, формализовывать и решать задачи, в том числе разрабатывать и исследовать математические модели изучаемых явлений и процессов, системно анализировать научные проблемы, получать новые научные результаты
- ПК-3 Способен разрабатывать и применять математические методы и методы современных цифровых информационных технологий для решения задач научной и проектно-технологической деятельности
- Образование
- Учебный план 01.04.02, 2022, (2.5), Прикладная математика и информатика
- Прикладной регрессионный анализ