Рассмотрены основные типы математических моделей, их взаимосвязи и применимость при описании геологических процессов. Изложены приемы математической обработки данных, получившие наибольшее распространение в практике геохимических съемок: оценка параметров геохимического фона, критерии выделения геохимических аномалий, фильтрация случайных помех, методы классификации природных объектов и точек наблюдения дисперсионным, факторным и кластерным анализами. Подробно рассматриваются вопросы оценки случайных и систематических ошибок определений состава почв, горных пород и руд. Для более полного усвоения излагаемого материала даются примеры решения типовых задач. Соответствует актуальным требованиям федерального государственного образовательного стандарта высшего образования. Для студентов высших учебных заведений, обучающихся по естественнонаучным направлениям, и специалистов в области геохимич

Данное пособие представляет собой практическое руководство по использованию UML для разработки программных систем. Оно позволит научиться выявлять основные понятия предметной области и разрабатывать красивые диаграммы классов, описывать функциональные требования в виде спецификаций вариантов использования и превращать их в правильные проектные решения. Дополнительно в пособии рассмотрена работа с замечательным CASE-средством Visual Paradigm и средой разработки MDriven. Соответствует актуальным требованиям федерального государственного стандарта высшего образования. Для студентов высших учебных заведений, обучающихся по ИТ-направлениям, а также преподавателей и всех интересующихся.

Курс предназначен для изучения основ построения информационных систем с базами данных. В нем рассматриваются вопросы описания предметной области в форме ER-диаграмм, ключевые вопросы реляционной модели данных и проектирования на ее основе правильной структуры базы данных, вопросы доступа к данным, реализации системы управления транзакциями, архитектур распределенных систем. Курс подготовлен по материалам лекций, которые читались автором на протяжении ряда лет студентам факультета компьютерных наук Воронежского государственного университета. Соответствует актуальным требованиям федерального государственного образовательного стандарта высшего образования. Для студентов высших учебных заведений, обучающихся по направлениям подготовки «Математика и компьютерные науки», «Информационные системы и технологии», «Прикладная информатика», «Программная инженерия», «Информационная безопасность».

В данном учебнике расматриваются вопросы анализа и интерпретации связей между количественными и качественными признаками . Из многомерных методов рассмотрены наивный Бэйесовский классификатор, метод главных компонент, метод K-средних для кластерного анализа. Основное внимание уделяется двум базовым задачам анализа данных: суммаризации (агрегированию или порождению признаков) и коррелированию (исследованию связей между признаками). Изложение содержит большое количество примеров применения рассматриваемых понятий к анализу реальных данных. Учебник предназначен, прежде всего, для использования в обучении студентов бакалавриата и магистратуры инженерно-технических специальностей, однако он может использоваться и как пособие для самостоятельного изучения.

Курс знакомит с достижениями в области генерации и использования синтетических данных, которые все чаще используются для обучения современных нейросетевых моделей. В нем представлено описание области применения синтетических данных, показано, как синтетические данные могут помочь в улучшении нейросетевых моделей, описаны современные методы генерации синтетических данных. Поскольку в настоящее время уже сформировалась целая индустрия по производству синтетических данных, представлены ведущие технологические платформы синтеза данных и готовые датасеты для различных предметных областей. Отдельное внимание уделено качеству синтетических данных, тому, насколько адекватно они отражают исследуемые предметные области и в какой мере можно им доверять. Для студентов инженерно-технических направлений, изучающих современный анализ данных и искусственный интеллект, а также для специалистов в области

Рассматривается один из эффективных математико-статистических методов анализа экспериментальных данных — дисперсионный анализ одно- и многофакторных экспериментов с фиксированными уровнями факторов без ограничений на рандомизацию. Излагаются также основы ковариационного анализа на примере обработки одно- и двухфакторных экспериментов. Для студентов направлений подготовки «Стандартизация и метрология», «Управление качеством», в частности при изучении дисциплин «Основы научных исследований и планирование эксперимента», «Статистические методы в управлении качеством» и «Основы теории эксперимента», а также может быть полезно для студентов, обучающихся по другим техническим направлениям.

В настоящее время подготовка управленческих решений требует принятия во внимание большого числа различных факторов. Лицам, принимающим решения, необходимо анализировать сотни различных сценариев, что обуславливает необходимость разработки имитационных моделей различного типа, интеграции этих моделей с базами и хранилищами данных, создания оптимизационных модулей для имитационных моделей. В курсе подробно описаны методы имитационного моделирования, в том числе методы системной динамики, агентного моделирования и др.; представлены основные функциональные возможности современных систем имитационного моделирования Powersim, AnyLogic, GPSS World и FLAME GPU; изучены технологии их интеграции с внешними системами и источниками данных; рассмотрены конкретные примеры имитационных моделей, разработанных для сложных организационных структур (нефтяных компаний, финансовых корпораций и др.).

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