Статистический анализ в MATLAB (MLST)

• Импорт и организация данных.
• Исследование данных.
• Параметрические и непараметрические распределения.
• Гипотезы тесты.
• Дисперсионный анализ.
• Регрессионный анализ.
• Обработка данных высокой размерности.
• Генерация случайных чисел.

Понимание методов импорта для различных типов данных, доступных в MATLAB и Statistics Toolbox, для дальнейшей организации и анализа. Выполнение общих задач, таких как объединение данных и работа с недостающими данными.

• Импорт данных;
• Типы данных;
• Тип данных Dataset
• Объединение данных;
• Категории данных;
• Несоразмерные и отсутствующие данные.

Statistics and Machine Learning Toolbox

MATLAB

В данном модуле рассматриваются основные статистические исследования данных, включая визуализацию и расчет сводных статистических данных.

• Статистическая визуализация;
• Среднее значение;
• Разброс;
• Форма;
• Корреляция;
• Группированные данные.

В этом модуле освещаются функциональности, доступные в Statistics Toolbox, для исследования различных распределений вероятности и подбора их параметров.

• Распределения вероятностей;
• Параметры распределения;
• Сравнение и подбор распределений;
• Непараметрические распределения;
• Задание распределения в виде объекта.

Statistics and Machine Learning Toolbox

Использование Statistics Toolbox, для определения вероятности принадлежности классу распределений. Применить тест гипотезу для общего использования, таких как сравнение двух распределений и определения доверительных интервалов для выборок.

• Проверка гипотезы;
• Тест на принадлежность нормальному распределению;
• Тест на проверку произвольного распределения.

Statistics and Machine Learning Toolbox

В этом модуле рассматриваются задачи сравнения выборочных средних нескольких групп и нахождение статистически значимых различий между группами.

• Множественные сравнения;
• Одномерный ANOVA анализ;
• N-мерный ANOVA анализ
• Многомерный ANOVA анализ;
• ANOVA анализ для произвольного распределения;
• Категориальная корреляция.

Выполнение предсказательного моделирования на основе подбора линейной и нелинейной модели. Исследование техник для повышения качества модели.

• Модели линейной регрессии;
• Подбор линейной модели по исходному множеству данных;
• Оценка модели;
• Настройка модели;
• Графики разбросов;
• Логистическая и обобщенные линейные модели;
• Нелинейные модели.

Знакомство с методами снижения размерности набора данных, а также выполнение классификации для случая категориальной переменной.

• Преобразования компонент;
• Выбор характеристик;
• Классификация;
• Кластеризация.

Использование случайных чисел для оценки неопределенности или чувствительности модели, или выполнения симуляций. Генерация случайных чисел из различных распределений и управление алгоритмами генерации случайных чисел.

• Бутстреп и симуляция;
• Генерация случайных чисел из нормального распределения;
• Генерация случайных чисел из произвольного распределения;
• Управление потоком случайных чисел.