در این بخش، مفاهیم پایه‌ای آمار و نقش آن در تحلیل داده‌ها بررسی می‌شود. دانشجویان با اهمیت آمار در علوم مختلف، به‌ویژه در یادگیری ماشین و داده‌کاوی، آشنا شده و دیدگاه کلی نسبت به کاربردهای آن در دنیای واقعی پیدا می‌کنند.

این سرفصل به معرفی مفاهیم اصلی آمار مانند متغیرهای آماری، شاخص‌های توصیفی (میانگین، میانه، واریانس)، و روش‌های جمع‌آوری داده‌ها اختصاص دارد. درک این مفاهیم برای تحلیل صحیح داده‌ها و نتیجه‌گیری علمی ضروری است.

در این بخش، مباحث مربوط به نظریه احتمالات شامل احتمالات کلاسیک، احتمالات شرطی، و قضایای مهم مانند قضیه بیز آموزش داده می‌شود. همچنین، انواع داده‌های آماری (گسسته و پیوسته) و روش‌های تحلیل آن‌ها بررسی خواهند شد. این مفاهیم پایه‌ای در یادگیری ماشین برای مدل‌سازی عدم قطعیت و پیش‌بینی‌های دقیق‌تر مورد استفاده قرار می‌گیرند.

این سرفصل به معرفی توابع احتمالی شامل توابع چگالی و توزیع احتمال می‌پردازد. دانشجویان یاد می‌گیرند که چگونه از این توابع برای مدل‌سازی داده‌ها و محاسبه احتمالات مختلف استفاده کنند. این بخش یکی از پایه‌های اساسی در تحلیل داده و یادگیری ماشین محسوب می‌شود.

در این قسمت، مهم‌ترین توزیع‌های آماری مانند توزیع نرمال، توزیع نمایی، توزیع پواسون، و توزیع برنولی بررسی می‌شوند. این مفاهیم در تحلیل داده‌ها و مدل‌سازی آماری بسیار اهمیت دارند و در حوزه‌هایی مانند پردازش سیگنال، یادگیری ماشین و علوم داده کاربرد گسترده‌ای دارند.

این بخش به بررسی ویژگی‌های مهم توزیع‌های آماری مانند امید ریاضی، واریانس، همبستگی و استقلال متغیرها می‌پردازد. درک این مفاهیم برای بهینه‌سازی مدل‌های یادگیری ماشین و تحلیل نتایج مدل‌ها ضروری است.

این سرفصل به مفاهیم پیشرفته‌ای مانند استنباط آماری، برآورد پارامترها، آزمون‌های فرض آماری و روش‌های نمونه‌گیری می‌پردازد. این بخش به دانشجویان کمک می‌کند تا داده‌ها را با استفاده از روش‌های آماری تحلیل کنند و نتایج علمی مستحکمی به‌دست آورند.