Рекомендована література

Навчально-методичне забезпечення: 

1. Електронний навчальний курс навчальної дисципліни (на навчальному порталі НУБіП України  eLearn - https://elearn.nubip.edu.ua/course/view.php?id=2934);

2. Математичні методи моделювання: підручник / Усов А.В., Савєльєва О.С., Становська І.І., Перпері А.О. під наук. ред. О. Л. Становського; Одес. нац. політехн. ун-т. Одеса, 2020. 500 с. URL: http://dspace.opu.ua/jspui/handle/123456789/11400.

3. Моделювання та прогнозування стану довкілля [підручник] / І.І. Ясковець, Н.М. Протас, Т.Ю. Осипова, Д.Ю. Касаткін // - K.: НУБіП України, 2018.- 566 с.

4. Пасічник Т.В. Моделювання та прогнозування стану довкілля. Навчальний посібник. -К: «Магнолія 2006», - 2023. – 200 с.

5. Wes McKinney. Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter, 3rd edition, 2022, 540 р.

6. Касьяненко В.О., Старченко Л.В. Моделювання та прогнозування економічних процесів: Навчальний посібник. – Суми: Видавництво «Університетська книга», 2024. – 185 с. 

7. Медведєв М. Г. Теорія ймовірності та математична статистика. Підручник. – K.: Ліра-К, 2021. – 536 с.

8. Матвієнко М.П., Шаповалов С.П. Математична логіка та теорія алгоритмів. Підручник. – K.: Ліра-К, 2021. – 212 с.

Рекомендовані джерела інформації 

1. Python Download: https://www.python.org/downloads/

2. Installing Jupyter: https://jupyter.org/install

3. Google Colab: https://colab.research.google.com/

4. Array Programming with NumPy: https://realpython.com/numpy-array-programming/

5. Introduction to Numerical Computing with NumPy: https://www.youtube.com/watch?v=ZB7BZMhfPgk

6. Обернена матриця: https://uk.wikipedia.org/wiki/Обернена_матриця

7. Linear Algebra for Machine Learning: https://machinelearningmastery.com/linear-algebra-machine-learning-7-day-mini-course/

8. Bessel's correction: https://en.wikipedia.org/wiki/Bessel%27s_correction

9. Intro to Pandas data structures: https://pandas.pydata.org/docs/user_guide/dsintro.html#dsintro

10. Pandas Cheat Sheet for Data Science in Python: https://www.datacamp.com/cheat-sheet/pandas-cheat-sheet-for-data-science-in-python

11. Panda’s docs: https://pandas.pydata.org/

12. Matplotlib Tutorials: https://matplotlib.org/stable/tutorials/index.html

13. Pyplot vs Object Oriented Interface: https://matplotlib.org/matplotblog/posts/pyplot-vs-object-oriented-interface/

14. Pyplot: https://plotly.com/python/

15. Seaborn: https://seaborn.pydata.org/

16. Data Understanding for Machine Learning: Assessment & Exploration:

https://towardsdatascience.com/data-understanding-for-machine-learning-assessment-exploration-aca1aadc1cb6

17. Fast EDA in Jupyter & Colab notebooks using Sweetviz 2: https://towardsdatascience.com/fast-eda-in-jupyter-colab-notebooks-using-sweetviz-2-0-99c22bcb3a1c

18. What is Exploratory Data Analysis?: https://towardsdatascience.com/exploratory-data-analysis-8fc1cb20fd15

19. Advanced exploratory data analysis (EDA) with Python: https://medium.com/epfl-extension-school/advanced-exploratory-data-analysis-eda-with-python-536fa83c578a

20. Different types of missing data: https://medium.com/analytics-vidhya/different-types-of-missing-data-59c87c046bf7

21. Ways to impute missing values in the data: https://medium.com/analytics-vidhya/ways-to-impute-missing-values-in-the-data-fc38e7d7e2c1

22. Machine Learning Basics: Model, Cost function and Gradient Descent: https://medium.com/@dhartidhami/machine-learning-basics-model-cost-function-and-gradient-descent-79b69ff28091

23. Метод найменших квадратів: https://uk.wikipedia.org/wiki/Метод_найменших_квадратів

24. Regression Metrics for Machine Learning: https://machinelearningmastery.com/regression-metrics-for-machine-learning/

25. scikit-learn: https://scikit-learn.org/stable/

26. Linear Regression: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html#sklearn.linear_model.LinearRegression

27. All about Feature Scaling: https://dlantsst5xjbh.cloudfront.net/data-science-python/text-8.pdf

28. Overfitting and underfitting in machine learning: https://www.superannotate.com/blog/overfitting-and-underfitting-in-machine-learning