Matematik och maskininlärning för datavetenskap - kurs 50 040 RUB. från SkillFactory, utbildning 5,5 månader, Datum: 13 augusti 2023.
Miscellanea / / November 29, 2023
Du kommer att kunna studera från var som helst i världen. Nya moduler kommer att öppnas en gång i veckan. Specialdesignat innehåll och ytterligare material hjälper dig att förstå ämnet.
Övningen består av tre delar: att utföra enkla räkneövningar; utföra Python-baserade övningar; lösa livsproblem inom området dataanalys, prognoser och optimering.
Du kommer ständigt att kommunicera med dina studiekamrater i privata Slack-kanaler. Om du inte förstår något eller inte kan hantera en uppgift hjälper vi dig att ta reda på det.
I slutet av kursen kommer du att få en speciell uppgift där du kommer att kunna tillämpa alla de färdigheter du har förvärvat och bekräfta din framgångsrika inlärning av materialet.
Matematik kursprogram
Del 1 - Linjär algebra
- Vi studerar vektorer och typer av matriser
- Lära sig att utföra operationer på matriser
- Bestämma linjärt beroende med hjälp av matriser
- Vi studerar invers, singular och icke-singular matriser
- Vi studerar system av linjära ekvationer, egen- och komplexa tal
- Bemästra matris och singular nedbrytning
- Lösa linjära beroendeproblem med hjälp av matriser
- Optimera med principal component-metoden
- Förstärkning av de matematiska grunderna för linjär regression
Del 2 - Grunderna i matematisk analys
- Vi studerar funktioner hos en och många variabler och derivator
- Bemästra konceptet med gradient och gradientnedstigning
- Utbildning i optimeringsproblem
- Vi studerar Lagrange multiplikatormetoden, Newtons metod och simulerad glödgning
- Vi löser problem med att förutsäga och söka efter en vinnande strategi med hjälp av derivata och numeriska optimeringsmetoder
- Förstärker matematiken bakom gradientnedstigning och simulerad glödgning
Del 3 - Grunderna för sannolikhet och statistik
- Vi studerar de allmänna begreppen deskriptiv och matematisk statistik
- Bemästra kombinatorik
- Vi studerar huvudtyperna av fördelningar och korrelationer
- Förstå Bayes sats
- Att lära sig en naiv Bayes-klassificerare
- Vi löser problem med kombinatorik, validitet och prognoser med hjälp av statistik och sannolikhetsteori
- Vi konsoliderar de matematiska grunderna för klassificering och logistisk regression
Del 4 - Tidsserier och andra matematiska metoder
- Introduktion av tidsserieanalys
- Bemästra mer komplexa typer av regressioner
- Prognostisera budgeten med hjälp av tidsserier
- Förstärker de matematiska grunderna för klassiska maskininlärningsmodeller
Kort kursprogram om maskininlärning
Handledareassistans under utbildningen
Modul 1 - Introduktion till maskininlärning
Vi bekantar oss med huvuduppgifterna och metoderna för maskininlärning, studerar praktiska fall och tillämpar den grundläggande algoritmen för att arbeta med ett ML-projekt
Vi löser 50+ problem för att förstärka ämnet
Modul 2 - Dataförbehandlingsmetoder
Vi studerar datatyper, lär oss att rengöra och berika data, använder visualisering för förbearbetning och behärskar funktionsteknik
Vi löser 60+ problem för att förstärka ämnet
Modul 3 - Regression
Vi behärskar linjär och logistisk regression, studerar gränserna för tillämplighet, analytisk slutledning och regularisering. Träning av regressionsmodeller
Vi löser 40+ problem för att förstärka ämnet
Modul 4 - Klustring
Vi behärskar lärande utan lärare, övar på dess olika metoder, arbetar med texter med hjälp av ML
Vi löser 50+ problem för att förstärka ämnet
Modul 5 - Trädbaserade algoritmer: introduktion till träd
Låt oss bekanta oss med beslutsträd och deras egenskaper, bemästra träd från sklearnbiblioteket och använda träd för att lösa ett regressionsproblem
Vi löser 40+ problem för att förstärka ämnet
Modul 6 - Trädbaserade algoritmer: ensembler
Vi studerar egenskaperna hos trädensembler, övar på att öka, använder ensemblen för att bygga logistisk regression
Vi löser 40+ problem för att förstärka ämnet
Vi deltar i en tävling om kaggle för att träna en trädbaserad modell
Modul 7 - Att bedöma kvaliteten på algoritmer
Vi studerar principerna för provdelning, under- och överanpassning, utvärderar modeller med olika kvalitetsmått, lär oss att visualisera inlärningsprocessen
Utvärdera kvaliteten på flera ML-modeller
Vi löser 40+ problem för att förstärka ämnet
Modul 8 - Tidsserier i maskininlärning
Låt oss bekanta oss med tidsserieanalys i ML, behärska linjära modeller och XGBoost, studera principerna för korsvalidering och parameterval
Vi löser 50+ problem för att förstärka ämnet
Modul 9 - Rekommendationssystem
Vi studerar metoder för att konstruera rekommendationssystem, behärskar SVD-algoritmen, utvärderar kvaliteten på rekommendationer från den tränade modellen
Vi löser 50+ problem för att förstärka ämnet
Modul 10 - Final Hackathon
Vi tillämpar alla studerade metoder för att få maximal noggrannhet av modellförutsägelser på Kaggle