本书是基于人工智能(AI)视角重构传统数理统计与数据分析课程教学内容与教学方式的创新型教材。全书以AI中的数学基础为主线，内容涵盖概率论基础、数理统计方法、数据分析技术，以及案例分析。其中数理统计方法包括参数估计、假设检验、方差分析、回归分析、时间序列分析与预测；数据分析技术主要有因子分析、高级统计学的方法及应用等。

本书第一章介绍了线性方程组的解、凸集和凸函数等基本知识。第二章完整介绍了线性规划的相关理论和单纯型求解方法。第三章介绍了非线性规划基础理论和常用的一阶二阶逐点搜索求解方法。第四章介绍了整数规划的基础理论和常用的切平面和分支定界求解方法。第五章介绍了最小支撑树问题、最短路问题、最大流问题、最大流和最小费用流问题、运输问题

本书系统地介绍了运筹学的一些主要分支的基本原理和基本方法，内容包括线性规划、对偶理论、整数规划、动态规划、图论、存储论、排队论、非线性规划，并配有相应的实验方法。内容上注重从实际问题出发，力图使原理和方法陈述简明易懂。教学与实验紧密结合，每章都配有实验例题，集中在实验教学环节，实验采用的是LINGO软件。

本书旨在为大学生提供一套系统的数学建模与数据分析方法，结合近年来的数学建模竞赛题目，内容涵盖数据预处理、统计分析、回归分析、时间序列分析、分类分析、聚类分析、综合评价模型、优化算法和图像处理等重要主题，每个章节都配有详细的Python代码示例，帮助读者深入理解各种数据分析技术的应用。书中详细解读了2021—2024年期

本书包含概率论和数理统计两部分。概率论部分主要介绍随机事件及概率、古典概型和几何概型、概率的计算公式、随机变量及其分布、随机变量的独立性和关联性、随机变量的数字特征、大数定律和中心极限定理等。数理统计部分主要介绍数理统计的基本概念、抽样分布、参数估计和假设检验等。

本书是《概率论与数理统计》的配套学习指导书，以大量典型习题的讲解，指导帮助读者学习与教材对应的知识点，包括随机事件及概率，随机变量及其数字特征，大数定律与中心极限，数理统计基本概念，参数估计，假设检验等内容。是教材内容的更进一步提高和拓展。主要解决四个层面的学习问题，包括基本概念、方法和理论学习；应用问题的解决；未经老

全书共七章，包括随机事件及概率，随机变量及其数字特征，大数定律与中心极限，数理统计基本概念，参数估计，假设检验等内容。

本书讲述的概率论，包括各种概率模型，概率的公理化理论，事件及其运算，单调类定理，条件期望与全概率公式，独立性，随机变量的分布和期望，概率空间上的积分理论，Riemann-Stieltjes积分与Lebesgue-Stieltjes积分理论，积分转换公式，矩的计算及其估计，基本不等式及其应用，特征函数的基本理论，包括分布

本书介绍概率论与数理统计的基本概念、基本理论和基本方法，注重强基础和提升能力两个方面的训练。全书共八章，主要内容包括随机事件与概率、一维随机变量及其分布、多维随机变量及其分布、随机变量的数字特征、大数定律与中心极限定理、数理统计的基本概念、参数估计、假设检验、方差分析与回归分析。本书每节都配有分层练习，除第八章外，每章

本书分10章，内容包括函数、极限与连续、导数与做分、微分中值定理与导数的应用、不定积分、定积分、多元函数微分学、二重积分、无穷级数、微分方程与差分方程。