![Nyomtatóbarát változat Nyomtatóbarát változat](https://ttk.bme.hu/sites/all/modules/print/icons/print_icon.png)
Napjaink nagyméretű, sokdimenziós adatrendszerei a klasszikus statisztikai módszerek keretein túlmutató vizsgálatokat igénye lnek. Bemutatjuk az erre a célra az utóbbi ötven évben kifejlesztett ún. algoritmikus modelleket: EM-algoritmus hiányos adatokra, ACE-algoritmus általánosított
regresszióra, Kaplan-Meier becslések cenzorált adatokra, jackknife és bootstrap algoritmusok újramintavételezésre. Regresszió és diszkriminanciaanalízis összekapcsolása a Gauss-Markov elmélet és Bayes-döntések alapján. Autokorrelációk vizsgálata idősorokban, ARMA- folyamatok. Paraméterbecslés, identifikáció.
Hálózatok struktúrájának feltárása nemparaméteres statisztikai módszerek és gráfok spektrális tulajdonságai segítségével. Többváltozós korrespondanciaanalízis és homogenitásvizsgálat többdimenziós kontingenciatáblákra, diszkrét változók varianciaanalízise, ran gstatisztikák. Gráfok és hipergráfok Laplace-mátrixa, k-vágások mérőszámainak becslése a sajátértékekkel. Spektrális gráfklaszterezés a Laplace-mátrix sajátvektoraival. Nagyméretű véletlen mátrixok kiugró sajátértékeinek ill. szinguláris értékeinek aszimptotikus viselkedése és eloszlásuk speciális esetekben. Véletlenített módszerek nagyméretű téglalapmátrixok szinguláris felbontására. Hatvány fokszámeloszlású véletlen gráfok statisztikus jellemzői.
A matematikai egzaktsággal tárgyalt elméleten túl szó lesz konkrét alkalmazási lehetőségekről az adatbányászatban (internetes, pénzügyi adatrendszerek, kommunális hálózatok, microarrayk, sejtek metabolikus rendszere).