1.      Постановка задачи регрессионного моделирования (Факторы объекта, выходные характеристики, группы факторов, вектор наблюдения, двумерное факторное пространство, кривая регрессии (регрессия), поверхность регрессии, регрессионные модели исследуемого объекта).

2.      Требования, предъявляемые к оценкам параметров модели (Эффективность, состоятельность, несмещенность).

3.      Исходные данные для построения модели (Матрица наблюдений регрессивного эксперимента, выборочная средняя, выборочная дисперсия, доля наблюдений, функция эффективности).

4.      Наилучшие линейные оценки неизвестных параметров модели (Метод наименьших квадратов, метод максимального правдоподобия Фишера).

5.      Критерий качества регрессионных моделей – информативная способность моделей.

6.      Критерий качества регрессионных моделей – адекватность регрессионной модели.

7.      Критерий качества регрессионных моделей – прогнозирующая способность модели.

8.      Определение набора возможных аргументов модели.

9.      Методы отбора аргументов в модель. Метод полного перебора.

10.  Методы отбора аргументов в модель. Метод включения.

11.  Методы отбора аргументов в модель. Шаговый метод.

12.  Методы отбора аргументов в модель. Шаговый последовательный метод.

13.  Планирование регрессионных экспериментов.

14.  Планы для построения линейных моделей.

15.  Непрерывные D – оптимальные планы для оценки нелинейных моделей.

16.  Близкие к D – оптимальным точные планы.

17.  Оптимизационные модели технологических процессов.

18.  Метод покоординатного спуска Хука-Дживса.

19.  Симплексный метод Нелдера и Мида.

20.  Методы случайного поиска.