Математика и машинно обучение за наука за данни - курс 50 040 RUB. от SkillFactory, обучение 5,5 месеца, Дата: 13 август 2023 г.

разни / by admin / November 29, 2023

click fraud protection

Ще можете да учите от всяка точка на света. Новите модули ще се отварят веднъж седмично. Специално създадено съдържание и допълнителни материали ще ви помогнат да разберете темата.

Практиката се състои от три части: изпълнение на прости изчислителни упражнения; изпълнение на упражнения, базирани на Python; решаване на житейски проблеми в областта на анализа на данни, прогнозиране и оптимизация.

Постоянно ще общувате със своите състуденти в частни канали на Slack. Ако не разбирате нещо или не можете да се справите със задача, ние ще ви помогнем да го разберете.

В края на курса ще получите специална задача, в която ще можете да приложите всички придобити умения и да потвърдите успешното си усвояване на материала.

Курсова програма по математика

Част 1 - Линейна алгебра

Изучаваме вектори и видове матрици
Научаване за извършване на операции с матрици
Определяне на линейна зависимост с помощта на матрици
Изучаваме обратни, сингулярни и неособени матрици
Изучаваме системи от линейни уравнения, собствени и комплексни числа

instagram viewer

Овладяване на матрично и сингулярно разлагане
Решаване на задачи с линейна зависимост с помощта на матрици
Оптимизиране с помощта на метода на главния компонент
Подсилване на математическите основи на линейната регресия

Част 2 - Основи на математическия анализ

Ние изучаваме функции на една и много променливи и производни
Усвояване на понятието градиент и градиентно спускане
Обучение по оптимизационни проблеми
Ние изучаваме метода на умножителя на Лагранж, метода на Нютон и симулираното отгряване
Ние решаваме проблеми с прогнозиране и търсене на печеливша стратегия, използвайки производни и числени методи за оптимизация
Подсилване на математиката зад градиентно спускане и симулирано отгряване

Част 3 - Основи на вероятността и статистиката

Изучаваме общите понятия на описателната и математическата статистика
Овладяване на комбинаториката
Изучават се основните видове разпределения и корелации
Разбиране на теоремата на Бейс
Изучаване на наивен класификатор на Бейс
Ние решаваме проблеми на комбинаториката, валидността и прогнозирането с помощта на статистика и теория на вероятностите
Ние консолидираме математическите основи на класификацията и логистичната регресия

Част 4 - Времеви редове и други математически методи

Представяне на анализ на времеви редове
Овладяване на по-сложни видове регресии
Прогнозиране на бюджета чрез времеви редове
Подсилване на математическите основи на класически модели за машинно обучение

Кратка курсова програма за машинно обучение

Помощ на преподавател по време на обучението

Модул 1 – Въведение в машинното обучение

Запознаваме се с основните задачи и методи на машинното обучение, изучаваме практически казуси и прилагаме основния алгоритъм за работа по ML проект
Решаваме над 50 задачи, за да затвърдим темата

Модул 2 - Методи за предварителна обработка на данни

Ние изучаваме типове данни, научаваме се да почистваме и обогатяваме данни, използваме визуализация за предварителна обработка и овладяваме инженеринг на функции
Решаваме над 60 задачи, за да затвърдим темата

Модул 3 - Регресия

Усвояваме линейна и логистична регресия, изучаваме границите на приложимост, аналитични изводи и регуляризация. Обучителни регресионни модели
Решаваме над 40 задачи, за да затвърдим темата

Модул 4 - Клъстеризиране

Усвояваме обучението без учител, практикуваме различните му методи, работим с текстове с помощта на ML
Решаваме над 50 задачи, за да затвърдим темата

Модул 5 - Алгоритми, базирани на дърво: въведение в дърветата

Нека се запознаем с дърветата на решенията и техните свойства, да управляваме дървета от библиотеката sklearn и да използваме дървета за решаване на регресионен проблем
Решаваме над 40 задачи, за да затвърдим темата

Модул 6 - Дървообразни алгоритми: ансамбли

Ние изучаваме характеристиките на дървесните ансамбли, практикуваме усилване, използваме ансамбъла за изграждане на логистична регресия
Решаваме над 40 задачи, за да затвърдим темата
Участваме в състезание на kaggle за обучение на модел, базиран на дърво

Модул 7 - Оценка на качеството на алгоритмите

Ние изучаваме принципите на разделяне на проби, недостатъчно и прекомерно оборудване, оценяваме модели с помощта на различни качествени показатели, научаваме се да визуализираме процеса на обучение
Оценка на качеството на няколко модела ML
Решаваме над 40 задачи, за да затвърдим темата

Модул 8 - Времеви редове в машинното обучение

Нека се запознаем с анализа на времеви редове в ML, овладяване на линейни модели и XGBoost, изучаване на принципите на кръстосано валидиране и избор на параметри
Решаваме над 50 задачи, за да затвърдим темата

Модул 9 - Системи за препоръчване

Изучаваме методи за изграждане на препоръчителни системи, овладяваме SVD алгоритъма, оценяваме качеството на препоръките на обучения модел
Решаваме над 50 задачи, за да затвърдим темата