<aside> <img src="/icons/condense_yellow.svg" alt="/icons/condense_yellow.svg" width="40px" /> Python | R | 概率 | 统计 | 算法 | 气象 | 降水 | 数学公式 | 温度 | 直方图 | 曲线 | 全景图 | 维度 | 样本 | 置信区间 | 泊松分布 | 差异 | 建模 | 拟合 | 相关性 | 观测值 | 回归 | 矩阵 | 时间序列 | 线性 | 非线性 | 变量 | 全球 | 地理坐标 | 二氧化碳 | 频谱 | 傅里叶 | 季节 | 模拟 | 聚类 | K均值 | 随机森林 | 可靠性 | 广义线性 | 投注 | 主成分分析 | 降维 | 运动学 | 动力学 | 大语言模型 | 推理

</aside>

🎯要点

  1. 概率统计数学：🎯Python和R计算和算法实现
  2. 气象学：
    1. 计算和可视化：🎯全球陆地-海洋平均年平均表面温度：🖊直方图温度异常，🖊显示分位数-分位数，🖊绘制线性趋势线，🖊绘制温度空间图，🖊温度空间图的全景图，🖊一维空间一维时间数据和霍夫莫勒图，🖊三维空间和一维时间文件及其地图绘制。🖊ChatGPT生成全球温度。
    2. 概率统计计算和绘制：🎯气象变量：🖊日降水量，🖊干旱期的概率分布函数和累计分布函数，二项分布和正态分布、🖊气候数据集估计平均值、方差、偏度和峰度，🖊降水量泊松分布。🎯估算：🖊给定日期地面气温异常平均值和置信区间，🖊计算气温异常假设检验，🖊计算气温统计学有效样本大小，🖊计算给定期间气温统计学上明显差异，🖊计算平均晴天、部分多云、多云天数，🖊将月降雨量数据拟合到伽玛分布，🖊使用累积分布的柯尔莫哥洛夫-斯米尔诺夫检验检查观测值和预期值拟合度，🖊对Kendall tau 检验既存同类数据关系，🖊曼-肯德尔趋势检验。
    3. 回归建模：🎯温度：🖊下降率和近似线性建模，单变量线性回归的假设和公式推导，斜率和相关性关系，置信区间预测，🖊鉴于地理坐标的温度下降率多线性回归建模，🖊全球温度的多线性回归非线性拟合。
    4. 矩阵数据：🎯数学线性计算：🖊奇异值分解海平面压力，🖊计算和可视化温度异常的时空因子的样本协方差矩阵，🖊计算和绘制赤道纬向带上温度异常的协方差矩阵特征值的曲线图，🖊德宾-沃森独立性测试样本，🖊指定特征值和标准误差条的碎石图。
    5. 时间序列：🎯二氧化碳数据：🖊基林曲线，🖊误差趋势和季节分解时间序列数据，🖊基林曲线的预测和观测数据的拟合，🖊最低气温观测数据及其趋势、季节周期和随机残差，🖊模拟自回归序列，🖊频谱分析，傅里叶变换。
    6. 机器学习：🎯气温和风：🖊每日天气数据的 K 均值聚类，散列图显示温度和风向关系，🖊聚类凸包数据分析，🖊随机森林回归城市每日臭氧层数据。
    7. 🎯气候和干旱指数：气候指数算法代码实现
  3. 运动学：
    1. 🎯可靠与不可靠性数据分析：🖊过滤、🖊汇总、🖊绘制，🖊专业运动员级成功可靠性。
    2. 🎯一般和多线性回归建模：🖊使用探索性数据分析绘制数据、🖊建模，拟合模型，运行模型获得汇总结果、🖊使用统计模型多线性建模和拟合模型，汇总模型结果。
    3. 🎯广义线性模型：🖊建模，绘制逻辑曲线、🖊从模型获取运动超出预期的完成百分比、🖊计算超出预期的完成百分比 vs 完成百分比的可靠性。
    4. 🎯泊松回归和体彩投注：🖊计算泊松概率分布，直方图观察比赛变化，🖊建模，从收支平衡计算投注方式，🖊计算泊松回归系数对模型结果的影响。
    5. 🎯主成分分析和聚类：🖊散列图分析运动员身体特征及运动特点、🖊降维（主成分分析）分析运动员成绩，🖊聚类算法：K均值法计算运动员和比赛结果。
    6. 机器学习：🎯视频计算人体运动学和动力学，大语言模型推理运动模式。

梗概

https://embed.notionlytics.com/wt/ZXlKM2IzSnJjM0JoWTJWVWNtRmphMlZ5U1dRaU9pSlhiRWhvWlV4VVQxbHNjMlZYV2tKbU9URndaU0lzSW5CaFoyVkpaQ0k2SWpFM05EYzVZVE00TVRFeFl6UTNORGs0TlRBMU16azVaVFppWVRNMk9USm1JbjA9