Мова викладання в курсі — російська. Незабаром буде доступна українська версія цього курсу.
Відеозаписи лекцій без зворотного зв'язку та участі викладача. Ви отримаєте доступ до матеріалів одразу після оплати.
Щоб побачити у великих обсягах даних закономірності, аналітик спирається на лінійну алгебру, математичний аналіз і теорію ймовірності. Якщо фахівець не розуміється на цих напрямах - гіпотези та висновки будуть неточними. Це як запустити ракету в космос, не знаючи траєкторії польоту.
Ми створили вступний курс у математику, щоб ви почали досліджувати дані з важливим бекграундом для Data Science і обирали алгоритми, що вирішуватимуть поставлене завдання.
Кому підійде курс:
Фахівцям із Data Science. Почнете глибше розбиратися в алгоритмах машинного навчання. Зрозумієте, які принципи лежать в основі різних алгоритмів, щоб обирати правильні інструменти.
Аналітикам даних. Познайомитеся з основними математичними концепціями та закладете теоретичний фундамент, щоб краще розумітися на статистиці та правильно інтерпретувати дані.
Результат навчання:
— Проверять векторы на линейную зависимость.
— Решать системы линейных уравнений в матричной форме.
— Вычислять собственные векторы и числа для матрицы.
— Производить матричные разложения.
— Вычислять производную функции нескольких аргументов.
— Использовать различные методы оптимизации для поиска локального минимума функции.
— Вычислять математическое ожидание и дисперсию дискретной случайной величины.
— Использовать формулу Байеса для вычисления апостериорной вероятности.
— Использовать закон больших чисел для оценки математического ожидания.
Лінійна алгебра
Це базовий розділ математики. Він дає розуміння, як комп'ютер представляє дані та керує ними.
Лекція 1. Вектори.
Лекція 2. Матриці.
Лекція 3. Просунута лінійна алгебра.
Математичний аналіз
Дізнаєтеся, яка теорія стоїть за поняттям "машинне навчання". Зрозумієте, за допомогою яких алгоритмів математичного аналізу комп'ютер шукає параметри моделей.
Лекція 4. Похідна.
Лекція 5. Похідна функції кількох аргументів.
Лекція 6. Теорія оптимізації.
Теорія ймовірності
Цей розділ математики допоможе провести аналіз гіпотези за допомогою цифр і зрозуміти, які вибрати кроки, щоб розв'язати задачу.
Лекція 7. Дискретні випадкові величини.
Лекція 8. Безперервні випадкові величини.
Лекція 9. Центральні граничні теореми та закон великих чисел.
Відгуки
Відгуків немає, поки що.