https://elib.bsu.by:443/handle/123456789/317971 2026-04-23T01:54:06Z https://elib.bsu.by:443/handle/123456789/327680 Заглавие документа: Многомерный статистический анализ/ Multivariate statistical analysis: учебная программа учреждения образования по учебной дисциплине для специальности: The program of the educational institution of the discipline for the speciality: 7-06-0533-05 Прикладная математика и информатика / 7-06-0533-05 Applied Mathematics and Computer Science Профилизация / Profilization: Компьютерный анализ данных / Computer Data Analysis. Reg. №2141/m. Авторы: Харин, А. Ю.; Пашук, П. А. Аннотация: ПОЯСНИТЕЛЬНАЯ ЗАПИСКА Цели и задачи учебной дисциплины Цель учебной дисциплины «Multivariate Statistical Analysis» – ознакомление студентов углубленной формы высшего образования (магистрантов) с основными вероятностными моделями, методами и алгоритмами статистического исследования данных, имеющих многомерную структуру. При изложении учебной дисциплины важно уделить внимание компьютерной реализации основных методов изучаемой теории. В рамках поставленной цели задачи учебной дисциплины состоят в следующем: 1. Изучение теоретических основ – математических моделей и методов статистического анализа данных многомерной структуры; 2. Формирование практических навыков решения прикладных задач анализа многомерных данных с использованием свободно доступного современного программного обеспечения в области статистического анализа. Место учебной дисциплины в системе подготовки специалиста с высшим образованием (магистра). Учебная дисциплина относится к государственному компоненту и входит в модуль «Methods and computer tools of applied mathematics». Основой для изучения дисциплины «Multivariate Statistical Analysis» является дисциплина общего высшего образования «Probability Theory and Mathematical Statistics» (или «Higher Mathematics» с включением соответствующих разделов). Кроме того, лабораторный практикум предполагает дополнение дисциплиной «Data Analysis Software», преподаваемой параллельно. Дисциплина «Multivariate Statistical Analysis» способствует успешному освоению дисциплины «Mathematical and Computer Forecasting» (тот же модуль), а результаты ее изучения используются при прохождении практики и написании магистерских диссертаций. EXPLANATORY NOTE Aim and tasks of the discipline Aim of the discipline «Multivariate statistical analysis» – familiarization of advanced students of higher education (master's students) with the basic probabilistic models, methods and algorithms of statistical analysis of data with a multidimensional structure. It is important to pay attention to the computer implementation of the main methods of the studied theory when presenting the academic discipline. Tasks of the discipline: 1) study of theoretical foundations - mathematical models and methods of statistical analysis of data of multidimensional structure; 2) formation of practical skills in solving applied problems in the analysis of multidimensional data using freely available modern software in the field of statistical analysis. Place of the academic discipline in the system of training a specialist with higher education. The academic discipline is part of the module « Methods and computer tools of applied mathematics » of state component. The basis for studying the discipline "Multivariate Statistical Analysis" is the discipline of general higher education "Probability Theory and Mathematical Statistics" (or "Higher Mathematics" with the inclusion of relevant sections). In addition, the laboratory practical training involves supplementing the discipline "Data Analysis Software", taught in parallel. The discipline "Multivariate Statistical Analysis" contributes to the successful mastering of the discipline "Mathematical and Computer Forecasting" (the same module), and the results of its study are used during practical training and writing master's theses. 2024-07-15T00:00:00Z https://elib.bsu.by:443/handle/123456789/324701 Заглавие документа: Программные средства анализа данных/ Data analysis software: учебная программа учреждения образования по учебной дисциплине для специальности: / The program of the educational institution of the discipline for the speciality: 7-06-0533-05 Прикладная математика и информатика / 7-06-0533-05 Applied Mathematics and Computer Science Профилизация / Profilization: Компьютерный анализ данных / Computer Data Analysis. Рег. № 1855/м./ Reg. № 1855/m. Авторы: Пашук, П. А. Аннотация: ПОЯСНИТЕЛЬНАЯ ЗАПИСКА Цели и задачи учебной дисциплины Цель учебной дисциплины «Data analysis software» – формирование необходимых навыков программной реализации методов и алгоритмов, а также их применения при анализе данных. Задачи учебной дисциплины: 1) изучение базового синтаксиса и особенностей программной среды при анализе данных; 2) знакомство студентов с применением методов программной среды, а также их преимуществом и недостатками; 3) формирование практических навыков решения прикладных задач с использованием современного программного обеспечения. Место учебной дисциплины в системе подготовки специалиста с высшим образованием. Учебная дисциплина относится к модулю «Специальные программные средства» государственного компонента. Учебная программа составлена с учетом межпредметных связей и программ по дисциплинам: «Multivariate statistical analysis», «Visualization methods in data analysis by R», «Methods for statistical analysis of complex data», «Mathematical models and methods for computer vision». 2024-07-15T00:00:00Z https://elib.bsu.by:443/handle/123456789/317989 Заглавие документа: Visualization methods in data analysis by R: учебная программа учреждения высшего образования по учебной дисциплине для специальности: 7-06-0533-05 Applied Mathematics and Computer Science Profiling: Computer Data Analysis. № УД-1378/м. Авторы: Мушко, В. В. Аннотация: TEACHING MATERIAL CONTENTS Section 1. Introduction Topic 1.1. The tidyverse collection of R packages for data science The R language for statistical computing and graphics. The RStudio integrated development environment. The tidyverse collection of R packages for data science. Topic 1.2. The tidyverse style guide The tidyverse style guide. Automatic code formatting using the styler package. Automatic code checking for style guide compliance using the lintr package. Section 2. The ggplot2 package. Plot fundamentals in ggplot2 Topic 2.1. The ggplot2 package The ggplot2 package. Overview. Installation. Lifecycle. Ecosystem of extensions. Learning ggplot2. The plotly package for creating interactive graphics. Topic 2.2. Plot fundamentals in ggplot2 The ggplot(), aes(), `+`(<gg>), `%+%`, ggsave() functions and their arguments. Layers. Geometric objects. Statistical transformations. Position adjustments. Annotations. Aesthetics. Scales. Axes and legends. Facets. Coordinate systems. Themes. Topic 2.3. Visualization and recovery (imputation) of missing values The naniar, VIM packages for visualization and recovery (imputation) of missing values. Topic 2.4. Color palettes. Color blindness simulators Collection of color palettes of paletteer package. Color blindness simulators of colorBlindness, colorblindr packages. Section 3. Automation of reporting Topic 3.1. Automated graphical exploratory data analysis The dlookr, brinton packages for automated graphical exploratory data analysis. Topic 3.2. Quarto system for scientific and technical publishing An open-source Quarto system for scientific and technical publishing. Section 4. Graphing of a variable (probability) distribution Topic 4.1. Graphing of a continuous variable distribution 5 Continuous variable. Features. Basic methods for graphing of a continuous variable (probability) distribution. Alternative methods for graphing of a continuous variable distribution. Plot options. Topic 4.2. Graphing of a categorical variable distribution Categorical variable. Nominal variable, ordinal variable, discrete variable. Features. Basic methods for graphing of a categorical variable (probability) distribution. Alternative methods for graphing of a categorical variable distribution. Plot options. Section 5. Graphing of multivariate data Topic 5.1. Graphing of multivariate continuous data Multivariate continuous data. Features. Basic methods for graphing of multivariate continuous data. Alternative methods for graphing of multivariate continuous data. Plot options. Topic 5.2. Graphing multivariate categorical data Multivariate categorical data. Features. Basic methods for graphing multivariate categorical data. Alternative methods for graphing multivariate categorical data. Plot options. Section 6. Time series graphing Topic 6.1. Time series graphing Time series. Features. Basic methods for time series graphing. Alternative methods for time series graphing. Plot options. 2023-06-12T00:00:00Z