术语提供:秋天

算法的核心是任何计算机相关的任务。在本课程中,我们将教如何处理算法meta-task建筑,以及查看个人算法。我们将使用数学工具进行设计和分析算法,并得到一些简单实际的编码经验。如果你是一个非主流,或那些更关心应用程序比理论,那么你很有可能这门课是你想要的。

在完成本课程,你将能够:

• 知道,使用,如果有必要,需要修改算法和数据结构的一系列众所周知的问题。
• 给定一个问题,可以开发一个算法的解决方案。
• 能够分析上述解决方案的正确性和效率。
• 鉴于不同的算法,能够分析和比较。
• 基本知识的复杂性,上界和下界。
• 在编码简单的算法基本经验。

术语提供:秋天

先决条件:经验与编程、数据结构和算法将假定。作业将包括大量的Python编程。此外,我们会遇到各种各样的数学,包括线性代数、概率论和基本的微积分。

本课程涵盖了人工智能的基本原理,并针对硕士,早期博士和高级本科学生在计算机科学和数据科学,以及其他相关领域的学生有强烈计算背景。主题将包括(暂定):

• 人工智能概述:目标、历史进步,挑战。
• 解决问题和搜索:无知的搜索、启发式A *,本地搜索。
• 应用搜索:游戏、约束满足规划。
• 推理不确定性下:不确定性表示,概率模型、概率推理、贝叶斯和马尔可夫网络。
• 机器学习:决策树、神经网络、支持向量机。
• 用途:计算机视觉、自然语言处理、机器人学。

项(s)提供:春天

先决条件:假设你可以计划在各种风格(命令式、功能以及面向对象),离散数学的代数知识和元素,以及数据结构和算法。

数据库的概念和系统的介绍。主题包括:

• 数据库模型和系统:特别是关系、面向对象、半结构化,图表数据模型
• 查询语言和数据库编程的各个方面
• 数据库设计和建模
• 查询处理的组件
• 数据结构和算法的高效查询处理
• 事务管理概论:并发性和复苏

项(s)提供:春天

先决条件:去找找CSCI B551或同等是必需的。你需要精通通用编程语言(Python或C / c++);你应该能够使用的基本数据结构实现基本的矩阵操作语言(例如,使用数组)的矩阵乘法。线性代数,基本的微积分,机器学习,图论、概率论、几何、和统计将是极有帮助的。

这是一个在计算机视觉基础入门课程。我们将提供一个广泛的概述,略微偏向一些主题,以反映目前的研究趋势(如对象识别、深度学习)。重点将算法、数学模型和技术,广泛适用于许多问题不仅在视觉还在人工智能和计算机科学的其他领域。主题将包括

(暂时不一定在这个顺序):

• 基本图像处理:数字图像表示,图像滤波,形态学
• 功能检测:边缘检测,检测,不变的兴趣点检测分割
• 识别:子空间方法,分离/倒角匹配,bags-of-words图形结构
• 学习愿景:支持向量机,神经网络,深入学习
• 几何图形和图像转换:相机模型、图像转换、2 d和3 d几何
• 图形模型:马尔可夫模型、马尔可夫随机域信仰传播,削减图表
• 运动:光流运动参数
• 重建:音响,从运动结构,形状从X、图像恢复

项(s)提供:秋天,春天

先决条件:注册,成功完成入学考试分数的6/10是必需的。完成考试后,请将你的分数的办公室网络教育通过电子邮件给予许可。

如果你想成为一个机器学习的医生,一个更好的问题解决者,甚至考虑职业生涯在机器学习的研究中,这当然是给你的。然而,对于一个新手来说,机器学习理论概念可以完全压倒性的。

本课程着重介绍理论概念和算法以循序渐进的方式,而把他们的直觉,例子和python jupyter笔记本。在这种精神中,您将研究核心ML算法,同时通过大量例子的应用机器学习。具体的例子帮助说明更广泛的概念,将学习材料直接采取行动。这种理论和手把手的结合将帮助你掌握核心毫升的概念和算法,不仅在硅谷,但在世界各地,同时还提供直观的信息解释的机器学习算法是如何工作的,如何使用它们,最重要的是,如何避免最常见的错误。

对于那些有更强的兴趣毫升理论和开发本课程将提供一个可选的跟踪,重点深入研究这一理论更深入一点,,高潮在编码核心从头ML算法和可能的扩展。

项(s)提供:春天,夏天

数据库是数据科学的焦点来存储和管理数据。关系数据库授权主要产业几十年,仍被广泛采用。新时代的大数据,数据库格局正在发生重大变化。许多非关系数据库的一个重要组成部分的企业数据架构公司。关系数据库是很久以前开发的互联网和网络解决集中控制数据存储和管理的问题。NoSQL数据库出现随着互联网的兴起和Web应用程序连接企业与客户(即。、在线或移动)和与敏捷开发,适应快速变化。敏捷的新挑战,能够适应数据可变性/数据集成驱动企业转向NoSQL数据库技术。是很重要的对于每一个数据科学家掌握当前数据库的技能和了解数据库在NoSQL的世界的未来。

本课程提供的基本概述当前数据库环境和工具,从关系数据库到几个不同的NoSQL数据库,如MongoDB, Neo4j,卡桑德拉,复述。

项(s)提供:秋天

先决条件:R、Python和统计数据。

本课程的目标是培养实践技能需要执行
应用科学研究的数据。每个阶段的课程是围绕
数据科学工作流(设置期望,探索性数据分析,
建模、解释和沟通结果),覆盖算法,
最佳实践和评价标准。两个好的和坏的的应用程序
例子将讨论帮助学生开发一个更深层次的理解
和直觉的选择算法和可视化的数据
任务、最佳实践的发展和评估的方法
不同方法的结果。讲座和阅读资料将提供学生
研究和作业提供理论基础
动手实践发展中实践技能。

项(s)提供:秋天,春天,夏天

信贷数据科学入站是一个变量,异步过程由几个初学者和先进mini-topics旨在构建和提高你的数据科学技能和技术。每个主题涵盖了4 - 6周的材料,将算作一个学分。你会参加每学术术语1 - 3学分;个人主题选择将通过课程的帆布管理网站在每学期的第一个星期。所有主题都将每周讨论需求和时间管理的最后期限。如果你参加3学分的入站,预计每周花9 - 12小时3个人的话题。主题设计的完成顺序(一次)或并发。

注意:不超过三(3)信贷小时的匝道信贷可能被应用到数据科学项目需求有效的2019年春季。

的入站主题包括:

• Scala的基本知识
• 数据处理
• 深度学习的原则
• 介绍Hadoop框架
• 介绍了火花
• Kaggle情况下
• 机器学习Python
• 机器学习与PySpark
• 机器学习与R
• 在Python中自然语言处理
• 数据可视化使用场景
• 网页抓取

项(s)提供:秋天,夏天

先决条件:因为生产使用Python数据可视化和可视化堆栈是课程的一个组成部分,它是需要有很好的理解和编程的工作知识,以及使用开源库的工作知识。建议学生有一个基本的了解数学,统计,和网页(HTML、CSS、Javascript和JSON)

从电视新闻到尖端的科学论文,从一个家庭办公室到世界上最大的公司,数据可视化是广泛用于揭示数据中的模式和讲故事。越来越多的数据被收集,越来越多的决策是通过数据分析。理解数据的数据可视化是必不可少的,因此是每个知识工作者的基本技能。本课程介绍了基本的统计数据分析和可视化。我们将学习基础数据可视化的环境中感知、完整性、设计、统计、类型的1 2数据,可视化技术。动手练习使用Python堆栈目标与实际数据可视化技术和装备你他们将课程的一个组成部分。

课程结束后,你将能够理解,解释,和操作基本类型的数据,分析它们通过应用基本的探索性的可视化技术,并创建说明可视化。你也可以评估的有效性基于人类感知的原则,数据可视化设计,类型的数据,可视化技术。

项(s)提供:春天(特殊课程日期适用)

本课程的目的是提供一个基础的使用建模技术在管理决策。该课程将包括三个独立的建模,预测、计算机仿真和优化。计算机模拟将介绍,我们将跟进更高级的在本课程方面的话题。

特别是,我们将专注于为仿真模型的输入和输出分析。在优化,我们将介绍几个不同领域包括线性规划、整数规划、非线性规划和遗传算法。我们还将花费两周预测,涵盖了广泛的概述关键的预测技术。

在完成本课程,学生应该能够:

• 了解分析技术和工具是用来提供解决操作问题在各种业务功能区域包括金融、经济、操作和营销。
• 开发分析模型来分析各种业务问题。
• 建议听起来复杂业务问题的解决方案基于分析的结果。
• 解决复杂问题使用分析技术和工具基于电子表格使用各种电子表格插件。这包括使用Excel为线性整数规划问题解决者,StatTools统计分析,@ risk概率模拟和风险分析。

项(s)提供:秋天,每一个春天

先决条件:机器学习和Python

自然语言处理(NLP)已经成为一种基本技能在很多日常任务数据科学家。从清洁和解析提取和计算,科学家常常面临挑战性的问题:

1. 数据争论——如何处理和清洁结构化和非结构化数据
2. 数据收集,如何提取文本信息
3. 数据分析——如何总结和分类文本数据
4. 数据,如何理解自然语言理解数据

在本课程中,你将会引入NLP基础,将引导虽然最常见的NLP任务数据分析。上半年的课程您将学习NLP处理技能。下半年的课程您将深入数据分析的特定于域的NLP技术特色医疗、银行、市场营销、客户服务和技术领域。

本课程的目的是准备为更先进的数据科学课程(机器学习和深度学习)以及更多语言摘要课程(计算语言学)来加强和完善你的NLP技巧。

项(s)提供:秋天,春天,夏天

先决条件:基本的高中数学(微积分)和没有编程经验。

本课程提供了一个温和的,但强烈,介绍在Python编程之前很少或没有编程经验的学生。Python是一种开放源码语言,它允许快速应用程序开发的可扩展的软件系统是面向对象的设计和提供了一个极好的平台进行数据的科学。课程将集中在计划和组织程序,和发展高质量、可工作的软件,能够解决现实世界的问题。

学生将:

• 学习如何设计和实现可伸缩的Python程序,解决现实世界的问题,关注数据科学应用。
• 学习自上而下和面向对象的软件设计方法。
• 学习数据结构和算法用于数字和文本数据处理。

项(s)提供:每隔一个春天

课程是一个实践课程提供一个指导平台学习和练习关键时序分析技能。本课程将介绍时间序列回归和探索性数据分析,ARMA / ARIMA模型,模型识别/评估/线性算子,傅里叶分析、谱估计和状态空间模型。使用免费的分析将包astsa, xt,动物园。讲座和阅读是必须的。R (Rstudio & Rmarkdown)和GitHub (GitHub桌面)是必需的。

项(s)提供:秋天,春天,夏天

先决条件:登记,招聘单位的录用通知书必须提交给办公室的网络教育毕业实习形式。请联系在线教育办公室的进一步指示。

信用可以授予学生毕业实习进行一个重要的经验通过公司学习的机会,组织、非营利组织等。学生们负责保护自己的实习,但应该联系Luddy职业服务寻求帮助和资源。学生将参与实习至少6周,不少于160小时的监督工作。学生没有获得超过三(3)学分课程和经验必须积分他/她的课程。

项(s)提供:秋天,春天

本课程旨在帮助学生体验科学应用数据的复杂性和细微差别在现实世界中。学生将在团队中工作来解决现实问题的新项目由项目发起人。项目发起人可以是学者或行业从业者。雷竞技官方入口学生需要与项目发起人和其他团队成员理解问题域,决定作用,确定其数据科学技能可以应用,并制定一项解决方案;在这方面,大部分的课程是关于从模糊到一个可实现的结果。期间,学生们还将学习科学咨询和项目管理方面的数据通过每周的阅读作业。在这门课的重点是学习经验的技术成果的项目。课程是专为女士第二年数据科学的学生。

完成本课程后,学生将有实际的工作经验在一个复杂的团队环境中使用他们的技能来解决应用程序域中的一个真实数据的科学问题;能够进入一个模棱两可的情况,确定具体的机会;和理解多角度数据科学咨询和项目管理。

条款提供:秋天,春天,夏天

先决条件:登记,提交项目建议书必须在线教育的办公室与一个独立的学习形式。请联系在线教育办公室的进一步指示。

独立研究课程允许学生进行个性化的项目的监督下教员。三(3)学分可能获得进行研究和探索科学的数据的特定区域没有很好覆盖的任何特定的正式课程。这门课是由监督管理能力与该学生的学习目标。学生和老师讨论并提出目标,课题和项目。

术语提供:春天

先决条件:统计,Python 3、MATLAB;推荐服用
另一个机器学习课程等信息I526:应用机器学习这门课程。

机器学习为信号处理教先进的机器学习
概念,它还包括许多信号处理应用程序:
学生接触到这些信号处理应用程序中
讲座和通过作业(如语音去噪,音乐源分离,
立体图像匹配,暂时要求推特流,脑电图记录,
图像分割等)。讲座是结构化的解决问题
方式,介绍了解决一个特定的机器学习模型
激励问题。它开始从基本无监督和监管
机器学习模型,但它还深入挖掘了更高级的主题
包括内核方法、概率主题建模、散列、卡尔曼
过滤、提高等等。强烈建议学生
必须有一些背景的概率理论,优化,和
线性代数,虽然课程homework-heavy和编程
导向。

术语提供:秋天

先决条件:编程语言的知识,能够根据需要挑选其他编程语言,愿意提高你的知识从在线资源和额外的文学。你将需要访问一个“现代”电脑,允许使用虚拟机和/或容器。如果这样一个系统不可用,您还可以使用云虚拟机我们提供,如果你选择一个或多个树莓π。所有的学生都将拥有一个以云。

本课程涵盖云计算的编程模型的基本概念和工具来支持数据密集型科学应用。学生将了解云平台的最新研究课题,并行算法,存储和高水平的语言能力与一个复杂的生态系统的工具,跨越许多学科。课程有以下目的:

• 云计算提供一个基本的介绍
• 介绍了云数据中心的概念
• 熟悉云基础设施作为服务如OpenStack, Azure,或者AWS
• 熟悉云基础设施(如码头工人和Kubernetes
• 云服务项目
• 了解虚拟机和容器之间的差异
• 开发复杂的编程语言独立的REST服务
• 学习先进的编程模型等云Map / Reduce,消息传递,GraphQL
• 探索云计算
• 展示的知识云而发展中一个重要的项目
• 探索先进的云计算技术和服务,同时提供部分和云的总结和评论它的使用
• 学习如何计算边缘增强云计算服务和基础设施
• 学习如何建立一个基于云的使用商品硬件

术语提供:秋天

先决条件:中间C经验,熟悉Linux / Unix命令行实用工具。

这个学期的大学课程,“高性能计算概论”,作为一个入门级提供了实际的学习经验在超级计算机提供的基本概念、知识和技能需要开始一个事业在超级计算机或作为一个有效的手段实现范围内的其他学科的依赖它。本课程还将为那些有兴趣HPC工程和设计,软件开发,系统管理。课程的目标是产生新一代的计算机专家和计算机科学家开发、操作和应用高性能计算系统的准备应对未来的挑战要求在高性能计算能力和专长。课程是跨学科结合关键元素从硬件技术和架构,系统软件和工具,和应用程序编程模型和算法的横切主题绩效管理和测量。它提供了通过实验实践经验,并有很强的教育强化练习。本学期课程的主题领域包括:

• 高性能混凝土的介绍和概述,
• 大型应用程序和并行算法的方法,
• 使技术逻辑、内存和沟通,
• 并行体系结构包括smp,商品集群、mmp和gpu
• 性能指标、监控、测量和基准,
• 编程方法和工具,包括MPI、OpenMP OpenACC,
• 科学可视化、调试、性能和正确性和资源管理。

术语提供:秋天

先决条件:Tensorflow PyTorch;推荐至少需要两个机器学习本课程或相关课程之前——信息I526同上E511,或DSCI D590:介绍NLP为数据的科学。

深入学习系统是一个全面的深度学习课程,开始了
神经网络的基本知识,深层神经网络原理,深
学习具体的优化技术。然后,介绍了核心
深度学习模型,广泛应用于各种应用领域,
如卷积神经网络、复发性神经网络(LSTMs和
天鹤座),嵌入模型对文本/语言建模和信号
处理。本课程还包括一些生成模型等
变分autoencoders,生成对抗网络,
自回归模型。工程方面的课程也捕捉到了
神经网络,主要网络压缩算法来减少
运行时推理在硬件部署成本。课程包括
programming-oriented作业,以及最后的项目。

术语提供:秋天

先决条件:编程语言的知识,能够根据需要挑选其他编程语言,愿意提高你的知识从在线资源和额外的文学。你将需要访问一个“现代”电脑,允许使用虚拟机和/或容器。知识的材料了同上E516是可取的,并将简化项目执行。同上E516这类可以并行执行。

这类调查的使用云运行数据分析协作处理大数据解决问题在大数据应用和分析。案例研究诸如Netflix推荐系统,基因组数据,运动,健康,和更多的讨论。

课程有以下目的:

• 提供一个大数据的介绍
• 提供一个大数据分析的介绍
• 提供不同的大数据应用领域
• 探索先进的大数据和云计算技术和服务,同时提供一个写关于它,探索它几乎与你发展一段
• 理论知识和项目执行中进行应用领域之一。

术语提供:春天

信息的可视化表示需要一个深入了解人类的知觉和认知功能,数据挖掘和可视化算法,界面和交互设计,以及创造力。数据(像twitter、书籍或社会网络需要映射到一个典型的非空间和物理空间代表关系包含在忠实和有效的信息。如果成功,数据可视化结合人工智能解决任务,既不可能独自完成。

本课程概述了信息可视化的最先进的。它教导有效生产时间的过程中,地理空间,局部和网络可视化。学生有机会使用工具,如表、D3。js、OpenRefine Gephi, Plot.ly。学生有机会为各种客户实际项目上进行合作。

具体地说,该课程的内容包括:

• 指导开发的可视化框架
• 数据分析算法,使提取结构和趋势数据
• 主要的可视化和交互技术
• 讨论的系统驱动的研究和开发
• 趋势、机会和挑战

项(s)提供:秋天

先决条件:一些编程背景是必要的。特定的语言不是必需的,但它是假定你可以学习新语言需要这门课。的一个实验室将在c。本课程相关的缓冲区溢出也假定您精明与Linux命令行。

本课程是一个广泛的网络安全的调查。课程材料封面威胁信息机密性、完整性、可用性在不同的网络层,控制这些威胁的防御机制。课程还提供了一个必要的基础网络安全,如加密、原语/协议、身份验证、授权和访问控制技术;通过编程作业和课程项目和实践经验。

术语提供:秋天

经济学的课程将使用这些工具,以更好地了解计算机安全。这不是一个课程在经济学研究中,没有新工具将被发现,没有新的地面将破碎的经济理论。经济学的理解这门课程需要谦虚,和强大的数学背景,没有经济学肯定足够了。没有教科书。本课程将基于一系列研究论文,主要的系列信息安全经济学研讨会。

在其核心,这门课程应该为任何组织都需要提高你的决策的安全专家。除了决策的基本语言,课程将确定组织的维度和经济行为侵犯的成功组织的技术选择。

术语提供:秋天

先决条件:Python、R和C或c++)
机器学习技术已成功地分析生物
的数据,因为他们的能力在处理随机性和不确定性
数据噪声和泛化。在这个类中,我们将了解经典的机器学习技术,如朴素贝叶斯、主成分分析、聚类和神经网络使用生物问题。

我们还将了解的最新发展和应用降维和深度网络及其成功应用解决一些生物学问题。最后,我们将学习概率模型(包括马尔可夫模型、隐马尔可夫模型和贝叶斯网络)生物序列分析和系统生物学。

评估将税后分配和五(5)编程练习。

通过这门课结束时,学生将:

• 了解更多关于毫升方法独特的生物信息学和他们的应用程序
• 实现简单的ML的方法
• 可以使用毫升方法实现R & Python包(例如scikit-learn)来解决实际问题
• 理解和欣赏生物利用毫升方法可以解决的问题

术语提供:春天

先决条件:一个合理的编程背景是必要的。在操作系统、网络和计算机体系结构是有用的但不是必需的。你不需要知道任何特定的语言,而是假定你可以学习新语言如果所需的课程。

本课程是针对研究生。本课程涵盖了安全系统的设计与分析,包括确定安全目标和风险,威胁建模、国防、集成不同技术实现安全目标,发展安全协议和政策,实施安全协议和安全编码。一些真实的场景,有很多安全需求将研究。

条款提供:秋天,春天

先决条件:学生预计将有本科专业知识水平计算的思想,而不是一个强大的编程背景。Linux文件系统的经验和MySQL上这门课之前会有帮助。

数据丰富,其丰度提供了潜在的新发现以及经济和社会利益。然而,数据很难使用,更不用说嘈杂,更符合实际的支持不足。可能有太大差距从数据到知识由于技术或政策的限制不容易与其他数据相结合。本课程将检查捕获所需的基本原则和技术,清洁、脉络、存储、访问和信任数据转化使用。学生在这门课将介绍功能和大数据带来的好处,大数据项目的关键组件,数据分析和可视化的主要步骤。

本课程覆盖以下概念:

• 大数据在科学和商业
• 数据管道
• 复杂的软件系统
• 建模数据存储在noSQL商店
• 数据复制
• 分布式计算
• 数据编码和清洁
• 数据来源
• 数据的可信度
• 经济数据共享

预计一个学生将在每周6 - 7个小时每周的课程包括花在阅读的时间,倒影,与教学内容。

术语提供:春天

先决条件:需要良好的数学基础,统计,和编程,虽然没有正式的先决条件。关键主题概率、统计、线性代数、数据结构和算法。使用Python作为主要编程语言和精通Python将会非常有帮助。

网络,或图形,提供一个统一的框架来研究复杂系统,如生物、社会,许多科技社会的系统。这研究生课程侧重于基本概念以及网络科学的关键应用程序。最近的课程将介绍网络科学发展,对实际网络的统计特性和模型,网络算法和实际应用。主题包括:如何在我们的社会,信息和传播的疾病措施和算法量化的重要性,链接预测,和社区检测。

预计年底前课程,学生能够识别、构造,并分析网络通过选择和应用适当的方法和算法。学生也将能够解释,数学上和概念上的关键网络概念和统计特性,及其影响。

术语提供:春天

先决条件:成功在本课程中,学生需要一个Java编程的应用知识。一个充分准备的学生1)知道基本概念在Java JVM, JDK, JRE, 2)在Java数据结构的知识,3)能读和写在Java中,4)可以一个Hashmap或列表,和5)导入/导出Java包和库Lucene。

与网络的指数增长在过去的几十年,我们正面临着大量的信息。

健身房的成功(谷歌,雅虎和MSN)已经表明,信息检索是一个关键的组件来帮助用户根据自己的需要获取目标信息。课程介绍信息检索理论和概念基础搜索应用程序。我们将使用调查技术在现代搜索引擎通过实验和展示他们的意义。

在本课程结束时,学生将能够

• 理解最重要的机制和最新的检索理论和模型
• 能够设计和实现搜索引擎使用的检索模型
• 在团队中工作或个人来构建自己的搜索组件和接口
• 学习是信息检索应用于其他相关领域,如数字图书馆、网上购物、多媒体环境
• 提高你的搜索技能通过各种搜索引擎,如谷歌和必应

术语提供:秋天

本课程的目的是向大家介绍社交媒体挖掘的新兴领域。我们将探索什么,确切地说,是“社交媒体”这个词的含义,为什么会有人有兴趣挖掘。建立一些基本定义和动机后,我们将在剩余的课程学习各种技巧和方法,目前用来提取有意义的信号从日益增长的大量社交媒体数据。在追求这一目标,我将提供实践指导练习使用Python,我们也将阅读学术论文作者分享他们的方法,挖掘社交网络研究问题和见解。

项(s)提供:秋天,春天,夏天

先决条件:中级代数的技巧,比如舒适与功能,对数和大学水平的数学符号。注册,请电子邮件统计系主任statdept@indiana.edu,包括你的10位数UID。

本课程介绍统计推断的基本概念,通过仔细研究的几个重要的程序。主题包括1 -和2-sample位置问题,单向方差分析,简单线性回归。大多数作业涉及到概率模型和/或统计方法应用到实际情况和/或实际的数据集。

在本课程结束时,学生将能够

• 使用概率描述不确定性和变化
• 总结数据利用计算机图形和数值的中心,传播,
• 协会
• 评估观测数据是否符合概率模型和理解的影响
• 分析
• 解释概率意义(假定值)和置信区间的意思是,和识别
• 常见的误解
• 比较两个或多个样本或套测量得出的科学结论
• 统计模型应用于实际数据和识别他们的使用和限制

术语提供:春天

先决条件:S520 STAT S681需要登记。你应该知道如何使用软件或其他计算概率的基本概率分布如二项式和正常的。你也应该知道t的形式和解释,置信区间,简单线性回归直线。你应该有一些经验与r .登记,请电子邮件统计系主任statdept@indiana.edu,包括你的10位数UID。

本课程的调查统计方法,不依赖于参数的假设。介绍统计的知识层面的S320 / S520假设;本课程是在某些方面续集。因此,它将评估参数的技术学习和类似的入门课程,并比较他们看到当一个技术优于另一个非参数的选择。课程的材料包括:

• EDA和基本概念
• 非参数测试
• 经验分布和引导
• 多元线性回归
• 非参数和处罚回归
• 的漠视和其他高级模型

条款提供:秋天,春天,夏天

先决条件:注册,请邮件奥尼尔记录办公室oneillrc@indiana.edu,包括你的10位数UID。

应用统计分析在公共和环境事务和相关领域的问题。地址的描述性统计,统计推断,随机变量的性质,抽样分布、点和区间估计的参数(意思是,标准偏差,等等),假设检验,方差分析和二元和多元回归。应用这些方法的强调实用方面,适当地解释这些统计分析工具的结果,并获得有意义的理解如何滥用或错误地执行统计分析。使用计算机工具进行统计分析(主要是SAS)将也是一个主要重点

项提供:春天

先决条件:SPCN V506,或同等学历研究生课程在介绍统计与应用重点是要求登记。注册,请邮件奥尼尔记录办公室oneillrc@indiana.edu,包括你的10位数UID。

中级的角度统计分析和建模的概念和技术通过回归分析复杂系统。包括估计的参数模型基于现有数据,测试假设这些系统,预报,纠正违规行为的假设,和处理常见问题,如multcollinearity附近。主要集中在单方程回归模型和扩展这些模型的各种各样的情况,但包含一个联立方程模型的介绍。应用这些技术问题和政策在公共和环境事务,以及一般的社会科学。