本章主要内容： · 单因素优选法：黄金分割法、平分法、分数法。 · 多因素降维法：等高线法、纵横对折法、平行线法。 · 各种优选法的应用范围和适用条件

本章主要内容： · 综合评分法、综合平衡法、排队打分法； · 水平数不同的正交表的使用，包括直接套用混合正交表、并列法、拟水平法、混合水平有交互作用的正交设计； · 活动水平法、组合因素法；分割试验法；部分追加法

矩的几种定义 简单的矩方法 一般的矩方法 矩方法与最大似然法和最小二乘法的比较

方案拟定 测点布置及仪器设备选用 加载等级控制及过程安全控制 数据分析与结构性能评定

本章主要内容： · 综合评分法、综合平衡法、排队打分法； · 水平数不同的正交表的使用，包括直接套用混合正交表、并列法、拟水平法、混合水平有交互作用的正交设计； · 活动水平法、组合因素法；分割试验法；部分追加法

8.1 Explore some of the emerging technologies that may impact analytics, business intelligence (BI), and decision support 8.2 Describe the emerging Internet of Things (IoT) phenomenon, potential applications, and the IoT ecosystem 8.3 Describe the current and future use of cloud computing in business analytics 8.4 Describe how geospatial and location-based analytics are assisting organizations 8.5 Describe the organizational impacts of analytics applications 8.6 List and describe the major ethical and legal issues of analytics implementation 8.7 Identify key characteristics of a successful data science professional

· 单因素优选法：黄金分割法、平分法、分数法。 · 多因素降维法：等高线法、纵横对折法、平行线法。 · 各种优选法的应用范围和适用条件

似然函数，最大似然估计量 指数与高斯概率密度函数的参数确定举 最大似然估计量的方差 不等精度观测结果的并合 解析法 蒙特卡罗法 RCF边界法 图解法

7.1 Learn what Big Data is and how it is changing the world of analytics 7.2 Understand the motivation for and business drivers of Big Data analytics 7.3 Become familiar with the wide range of enabling technologies for Big Data analytics 7.4 Learn about Hadoop, MapReduce, and NoSQL as they relate to Big Data analytics 7.5 Compare and contrast the complementary uses of data warehousing and Big Data technologies 7.6 Become familiar with select Big Data platforms and services 7.7 Understand the need for and appreciate the capabilities of stream analytics 7.8 Learn about the applications of stream analytics

检验拟合优度，P-值定义与应用 信号观测的显著程度 皮尔逊的χ2检验 样本、估计量与偏置 估计量的平均值、方差与协方差