1 导言 2 基本原理与概念 2.1 基本原理 2.2 对象的产生，排列及删除 2.3 在线帮助 3 R的数据操作 3.1 对象 3.2 在文件中读写数据 3.3 存储数据 3.4 生成数据 3.4.1 规则序列 3.4.2 随机序列 3.5 使用对象 3.5.1 创建对象 3.5.2 对象的类型转换 3.5.3 运算符 3.5.4 访问一个对象的数值：下标系统 3.5.5 访问对象的名称 3.5.6 数据编辑器 3.5.7 数学运算和一些简单的函数 3.5.8 矩阵计算 4 R绘图 4.1 管理绘图 4.1.1 打开多个绘图设备 4.1.2 图形的分割 4.2 绘图函数 4.3 低级绘图命令 4.4 绘图参数 4.5 一个实例 4.6 grid 和lattice 包 5 R的统计分析 5.1 关于方差分析的一个简单例子 5.2 公式 5.3 泛型函数 5.4 包 6 R编程实践 6.1 循环和向量化 6.2 用R写程序 6.3 编写你自己的函数 7 R 相关的文献

第一节 烷烃的同序列及同分异构现象 一、同序列 二、同分异构 三、碳、氢原子的类别 第二节 烷烃的命名 一、普通命名法 二、烷基 三、系统命名法 第三节 烷烃的构型 一、碳原子的四面体概念及分子模型 二、碳原子的sp3杂化 三、烷烃分子的形成 第四节 烷烃的构象 一、乙烷的构象 二、正丁烷的构象 第五节 烷烃的物理性质 第六节 烷烃的化学性质 一、氧化 二、热裂 三、卤代 第七节 烷烃卤代反应历程 一、甲烷的卤代 二、烷烃卤代的相对活性 与自由基的稳定性 第八节 烷烃的制备 一、偶联 二、还原

（一）理论课程 1《空间解析几何》 2《离散数学》 3《时间序列分析》 4《数值计算方法》 5《运筹与优化》 6《Python 程序设计》 7《常微分方程》 8《大数据技术原理及应用》 9《复变函数论》 10《概率统计》 11《高等代数》 12《面向对象程序设计》 13《数据结构与算法》 14《数据库原理及应用》 15《数据挖掘》 16《数理统计》 17《数学分析（1）》 18《数学分析（2）》 19《数学建模(1)》 20《数学建模(2)》 21《数学软件及应用》 （二）实验课程 22《时间序列分析》 23《数据结构与算法》 24《数学软件及应用》 25《数值计算方法》 26《Python 程序设计》 27《大数据技术原理及应用》实验 28《面向对象程序设计》 29《数据库原理及应用》课程 30《数据挖掘》 31《数理统计》 （三）实践课程 32《专业教育》 33《web 数据挖掘与电子商务项目实训》 34《技能实训》教学大纲 35《客户数据分析项目设计》 36《数学建模(1)》 37《数学建模(2)》 38《中文文本数据挖掘项目实训》 39《综合项目实训》教学大纲 40《毕业设计（论文）》教学大纲 41《毕业实习》教学大纲

Brown运动 预备知识:随机变量序列的四种收敛性 回忆实数序列的收敛性定义: {an,n≥}, lim an=a n→∞ V>0,3n≥1,当k≥n时,恒有|ak-ak

一、时间序列自回归模型 二、时间序列向量自回归模型 三、格兰杰因果关系检验 四、格兰杰因果在脑电中的应用 五、补充知识

通过本章的学习，学生应理解信号分解为正交函数的意义。掌握信号的频域分析方法—傅里叶级数和傅里叶变换。理解周期信号与非周期信号频谱的特点、区别和联系，周期信号傅里叶变换的特点，信号时域特性与频域特性之间的关系，抽样信号频谱的特点与抽样定理。掌握典型信号的傅里叶变换，并能灵活运用傅里叶变换的性质对信号进行正反变换。掌握周期序列的离散傅里叶级数表示，非周期序列的离散时间傅里叶变换及其性质

§2.1 回归分析概述 一、变量间的关系及回归分析的基本概念 二、总体回归函数（PRF） 三、随机扰动项 四、样本回归函数（SRF） §2.2 一元线性回归模型的参数估计 一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干扰项方差的估计 §2.3 一元线性回归模型的统计检验 一、拟合优度检验 二、变量的显著性检验 三、参数的置信区间 §2.4 一元线性回归分析的应用——预测问题 §2.5 实例：时间序列问题 一、中国居民人均消费模型 二、时间序列问题

第一节：基因组序列的重复及点阵分析 第二节：基因序列的周期性与傅里叶变换 第三节：基因组片段中的保守信号及log图与权重矩阵

一、判断题:(正确打√,错误打×)(共10分) 1.C语言中的局部静态变量是在动态存储区内分配的。 2.带有叶节点的二叉树的前序遍历序列与中序遍历序列不可能相同。 3.一个有序表的折半查找,当表长n较大时,平均查找长度是In(n) 4.下面是二维数组的说明:

针对部分聚类算法对数据输入顺序敏感的问题,定义了不干涉序列指数,提出了应用不干涉序列指数对分类数据进行加权排序的方法,并基于该方法对受数据输入顺序影响的CABOSFV_C分类数据高效聚类算法进行改进,提出了考虑加权排序的聚类算法(CABOSFV_CSW),消除了算法对数据输入顺序的敏感性.采用UCI基准数据集进行实验,发现应用加权升序排序的CABOSFV_CSW算法在处理分类数据时,聚类质量较原始CABOSFV_C算法和其他受数据输入顺序影响的算法在准确性上有改善,在稳定性上有显著提高