6.1 粒子运动状态的经典描述 6.2 粒子运动状态的量子描述 6.3 系统微观运动状态的描述 6.4 等概率原理 6.5 分布和微观状态 6.6 玻耳兹曼分布 6.7 玻色分布和费米分布 6.8 三种分布关系

第一节 试验设计概述 第二节 动物试验计划 第三节 试验设计的基本原则 第四节 完全随机设计 第五节 随机单位组设计 第六节 拉丁方设计 *第八节 正交设计 第九节 调查设计 第十节 样本含量的确定

7.1 基本概念与性质 7.2 Gauss:过程 7.3 Brown运动的鞅性质 7.4 Brown运动的Markov性 7.5 Brown运动的最大值变量及反正弦律 7.6 Brown运动的几种变化 7.7 高维Brown运动

$7.0 什么是机器学习 $7.1 相关关系和相关系数(correlation and correlation coefficient) $7.2 相关系数的显著性检验 $7.3 线性回归和非线性回归 $7.4 一元线性回归线的置信区间 $7.5 多元二项式回归的Matalab实现 $7.6 回归方程的拟合检验 $7.7 Logistic Regression (Intuition) $7.8 Support Vector Machines (支持向量机) $7.9 Training, Validation, and Test

 基本概念与枢轴变量法  正态总体情形  双正态总体情形  单侧置信区间  非正态总体均值的区间估计

贝叶斯决策理论 统计模式识别的主要方法之一 采用贝叶斯决策理论分类的前提： 目标（事物）的观察值是随机的，服从一定的概率分布。 即：模式不是一个确定向量，而是一个随机向量

第一节 相关关系及种类 第二节 定类变量的相关分析 第三节 定序变量的相关分析 第四节 定距变量的相关分析 第五节 回归分析

最大间隔与支持向量机 支持向量回归 软间隔与正则化 核方法 统计学习理论简介

•第2.1节 随机变量的概念 •第2.3节 随即变量的分布 •第2.4节 连续型随机变量 •第2.5节 随机变量函数的分布 •第2.2节 离散型随机变量

第一节 实验设计的基本要素 第二节 实验设计的基本原则 第三节 常用的实验设计方案 第四节 样本含量的估计 第五节 临床实验设计