Direct to Dean

Probability and Practical Statistics for Big Data

ความน่าจะเป็นและสถิติเชิงปฏิบัติสำหรับข้อมูลขนาดใหญ่               

4(4-0-8)

วิชาบังคับก่อน: ไม่มี

ความน่าจะเป็นแบบไม่ต่อเนื่อง ตัวแปรสุ่ม ความน่าจะเป็นแบบมีเงื่อนไข เหตุการณ์ที่เป็นอิสระต่อกัน การแจกแจงแบบไบโนเมียล และมัลติโนเมียล การแจกแจงแบบปัวส์ซอง ทฤษฎีของเบส์ ค่าคาดหวัง ค่าคาดหวังแบบมีเงื่อนไข ความแปรปรวน ความน่าจะเป็นแบบต่อเนื่อง การวิเคราะห์ข้อมูล ค่าเฉลี่ย ค่าความแปรปรวน ค่าคาดหมาย ค่าสหสัมพันธ์ ข้อมูลและการสุ่มตัวอย่าง ประชากร ค่าสถิติของตัวอย่าง ทฤษฎีการลู่เข้าศูนย์กลาง ช่วงความเชื่อมั่น การแจกแจงแบบปกติ การแจกแจงแบบที การแจกแจงแบบเต็มหน่วยและต่อเนื่อง การทดลองเชิงสถิติ และการทดสอบสมมติฐาน การถดถอยและการประมาณการ การจำแนกข้อมูล การเรียนรู้ของเครื่องเชิงสถิติ การเรียนรู้แบบไม่มีผู้สอน

ผลลัพธ์การเรียนรู้ที่คาดหวังระดับรายวิชา

  1. เข้าใจหลักการทางสถิติและความน่าจะเป็นขั้นพื้นฐาน
  2. ประยุกต์ใช้หลักการทางสถิติและความน่าจะเป็นในงานวิศวกรรมได้
  3. คำนวณค่าทางสิถิติ และออกแบบดำเนินการทดลองเชิงสถิติได้
  4. อธิบายสาระสำคัญและเนื้อหาหลักเกี่ยวกับการจำแนกข้อมูล การจัดกลุ่มของข้อมูล การเรียนรู้เครื่องเชิงสถิติ การเรียนรู้แบบไม่มีผู้สอน
  5. หาผลเฉลยของการวิเคราะห์ข้อมูล อธิบายตีความข้อมูล และประยุกต์ใช้กระบวนการตัดสินใจทางวิศวกรรมอิเล็กทรอนิกส์เพื่อหาข้อสรุปได้อย่างเหมาะสม

Probability and Practical Statistics for Big Data 

Prerequisite:  none

Discrete probability, random variable, conditional probability independent events Binomial distribution and multinomial Poisson distribution, Bayes theory, expected value, conditional expectation, variance, continuous probability. Data Analysis Mean, Variance, Expected Value, Correlation Data and Sampling Population Statistical Values ​​of Samples convergence theory confidence interval normal distribution T distribution Full and continuous distribution statistical experiment and hypothesis testing Regression and Estimates data classification statistical machine learning Learning without an instructor

Course Learning Outcomes (CLOs)

  1. Understand basic statistical principles and probability.
  2. Apply statistical principles and probability in engineering.
  3. Calculate the statistical value and can design and conduct statistical experiments.
  4. Explain the essence and main content of information classification. grouping of data statistical machine learning Learning without an instructor.
  5. Find the solution of the data analysis. explain the interpretation of the data and apply electronic engineering decision-making processes to draw appropriate conclusions.