Matematik för datavetenskap. Del 3. Optimeringsmetoder och dataanalysalgoritmer - kurs 32 490 RUB. från Specialist, utbildning 40 akademiska timmar, datum 15 maj 2023.
Miscellanea / / December 03, 2023
Professionell programmeringskurslärare, certifierad utvecklare Python Institute med allmän arbetslivserfarenhet inom IT-området mer än 20 år. Byggt IT-system i 4 företag från grunden. Mer än 5 år.
Vadim Viktorovich tog examen från det ryska statsuniversitetet för humaniora år 2000 med en specialisering i informatik och datavetenskap. En sann professionell i administrationsfrågor DBMS, automatisering av företagets affärsprocesser (ERP, CRM etc.), skapa testfall och utbilda anställda.
Kunna motivera och fängsla. Han är krävande av sina lyssnare, alltid redo att klargöra svåra punkter. Omfattande erfarenhet av att arbeta med riktiga projekt gör att han kan uppmärksamma de detaljer som vanligtvis förbises av nybörjare.
Modul 1. Optimeringsmetoder (16 ac. h.)
- Grundläggande begrepp, definitioner, ämne
- Kontinuitet, smidighet och konvergens av digitala funktioner. Diskreta digitala funktioner
- Villkorlig och ovillkorlig optimering
- Metoder för optimering av enstaka kriterier
- Redogörelse för multikriterieoptimeringsproblemet
- Multikriterieoptimeringsmetoder
- Gradientnedstigning
- Stokastiska optimeringsmetoder
Modul 2. Dataanalysalgoritmer (16 ac. h.)
- Linjär regressionsalgoritm. Gradient Descent
- Skalning av funktioner. L1- och L2-reglering. Stokastisk gradientnedstigning
- Logistisk tillbakagång
- Algoritm för att konstruera ett beslutsträd. Slumpmässig skog
- Gradientförstärkning
- Analys av backpropagation-algoritmen
Modul 3. Slutarbete (8 ac. h.)
Datavetenskap inkluderar ett brett utbud av tillvägagångssätt och metoder för att samla in, bearbeta, analysera och visualisera datamängder av alla storlekar. Ett separat praktiskt viktigt område av denna vetenskap är att arbeta med big data med hjälp av nya principer matematisk och beräkningsmodellering, när klassiska metoder slutar fungera på grund av sin omöjlighet skalning. Denna kurs är utformad för att hjälpa studenten att lära sig grunderna i ämnesområdet genom formulering och lösa typiska problem som en datavetenskaplig forskare kan stöta på hos sin eller henne arbete. För att lära studenten att lösa sådana problem ger kursförfattarna studenten det nödvändiga teoretiska minimumet och visar hur man använder verktygsbasen i praktiken.
4,2