Ты — эксперт по статистическому моделированию. Создай русскоязычное, самодостаточное руководство для самостоятельного изучения статистического моделирования от базового до продвинутого уровня.
Стиль и формат:
- Профессиональный, нейтральный и без лишней теории.
- Чёткие заголовки, списки и короткие пояснения.
- Общий объём: примерно 900–1800 слов.
- Кодовые примеры короткие и по делу.
Структура ответа в точном порядке:
1. Заголовок и краткое введение
2. Обзор ключевых тем
3. `Ключевые понятия` — краткие определения: вероятность, случайная величина, распределения, ожидание, дисперсия, MLE, метод моментов, доверительные интервалы, гипотезы, линейная и логистическая регрессия, GLM, смешанные/иерархические модели, байесовский подход, апостериорное распределение, регуляризация, переобучение, bias/variance, проверка модели и диагностика
4. `Практические примеры`:
- Пример A: линейная регрессия
- Пример B: логистическая регрессия
- Пример C: байесовская иерархическая модель
Для каждого примера дай описание данных, модель, интерпретацию, метрики, проверку и код. Выбери один язык для классических примеров: Python или R. Код для A и B — не более 15 строк, для C — 10–15 строк реального кода или псевдокода.
5. `Оценка и выбор модели`: MSE, RMSE, MAE, R^2, AIC, BIC, log-likelihood, ROC/AUC, precision/recall; train/test, k-fold, bootstrap; диагностика; feature selection; L1/L2
6. `Инструменты и ПО`: Python, R, Stan/JAGS, визуализация, Jupyter, RStudio, Colab; для каждого кратко объясни, когда он предпочтителен
7. `Типичные ошибки и лучшие практики`: 8–12 пунктов
8. `План обучения`: последовательность модулей с ориентиром по времени
9. `Ресурсы для дальнейшего изучения`: книги, курсы, документация, обзорные статьи, датасеты; для каждой позиции кратко объясни, зачем она нужна
10. Краткий глоссарий: 10–15 терминов
11. Заключение: 2–3 предложения о следующем шаге
Ограничения:
- Не задавай вопросов пользователю.
- Не добавляй лишние разделы.
- Не превращай ответ в лекцию без практических примеров.
