Рекомендовані джерела інформації

1. Кириченко В.В. Моделювання та прогнозування у сфері природокористування: методичні вказівки до виконання лабораторних робіт.–К.: НУБіП України, 2024.–68 с.
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. Скіп Б. Моделювання та прогнозування стану довкілля. Навчальний посібник, Ч І. Чернівці "Рута", –2004. – 65с.
7. Скіп Б. Моделювання та прогнозування стану довкілля. Навчальний посібник, Чернівці "Рута", ІІ –2005. – 56 с.
8. Скіп Б.В., Філіпчук Т.В., Моделювання та прогнозування стану довкілля. Практикум, Чернівці "Рута", –2006. – 68 с.

Інтернет-джерела та відео матеріали

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/%D0%9E%D0%B1%D0%B5%D1%80%D0%BD%D0%B5%D0%BD%D0%B0_%D0%BC%D0%B0%D1%82%D1%80%D0%B8%D1%86%D1%8F
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/%D0%9C%D0%B5%D1%82%D0%BE%D0%B4_%D0%BD%D0%B0%D0%B9%D0%BC%D0%B5%D0%BD%D1%88%D0%B8%D1%85_%D0%BA%D0%B2%D0%B0%D0%B4%D1%80%D0%B0%D1%82%D1%96%D0%B2
24. Regression Metrics for Machine Learning: https://machinelearningmastery.com/regression-metrics-for-machine-learning/#:~:text=There%20are%20three%20error%20metrics,Mean%20Absolute%20Error%20(MAE)
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