Излагается новый подход к анализу и синтезу непараметрических методов идентификации функциональных зависимостей и сглаживанию экспериментальных данных. Эти методы в условиях недостаточной априорной информированности и малого числа наблюдений часто оказываются предпочтительнее традиционных. Рассмотрены линейные и нелинейные, в том числе робастные, непараметрические оценки регрессии, оценки регрессии при наличии ошибок наблюдения в независимых переменных, задачи восстановления плотности вероятности и производных от нее по зашумленным данным. Особое внимание уделено проблеме адаптации оценок выбором их настроечных параметров из условий согласования модели и экспериментальных данных.
Для специалистов в области теории управления, теории эксперимента, прикладной математики.