Matematika ir mašininis mokymasis duomenų mokslui – kursas 50 040 RUB. iš SkillFactory, mokymai 5,5 mėn., Data: 2023 m. rugpjūčio 13 d.
įvairenybės / / November 29, 2023
Galėsite mokytis iš bet kurios pasaulio vietos. Nauji moduliai bus atidaromi kartą per savaitę. Specialiai sukurtas turinys ir papildoma medžiaga padės suprasti temą.
Praktika susideda iš trijų dalių: nesudėtingų skaičiavimo pratimų atlikimas; Python pagrindu sukurtų pratimų atlikimas; gyvenimiškų problemų sprendimas duomenų analizės, prognozavimo ir optimizavimo srityje.
Su kolegomis studentais nuolat bendrausite privačiais Slack kanalais. Jei ko nors nesuprantate arba negalite susidoroti su užduotimi, mes padėsime tai išsiaiškinti.
Kurso pabaigoje gausite specialią užduotį, kurioje galėsite pritaikyti visus įgytus įgūdžius ir patvirtinti, kad sėkmingai išmokote medžiagą.
Matematikos kursų programa
1 dalis – Tiesinė algebra
- Mes tiriame vektorius ir matricų tipus
- Mokymasis atlikti operacijas su matricomis
- Tiesinės priklausomybės nustatymas naudojant matricas
- Mes tiriame atvirkštines, vienaskaites ir nevienaskaites matricas
- Mes tiriame tiesinių lygčių, savųjų ir kompleksinių skaičių sistemas
- Matricos įvaldymas ir vienaskaitos skaidymas
- Tiesinės priklausomybės uždavinių sprendimas naudojant matricas
- Optimizavimas naudojant pagrindinio komponento metodą
- Tiesinės regresijos matematinių pagrindų stiprinimas
2 dalis – Matematinės analizės pagrindai
- Mes tiriame vieno ir daugelio kintamųjų bei išvestinių funkcijas
- Gradiento ir gradiento nusileidimo sampratos įsisavinimas
- Optimizavimo problemų mokymas
- Mes tiriame Lagranžo daugiklio metodą, Niutono metodą ir imituojamą atkaitinimą
- Sprendžiame laiminčios strategijos numatymo ir paieškos problemas išvestiniais ir skaitiniais optimizavimo metodais
- Gradiento nusileidimo ir imituoto atkaitinimo matematikos sustiprinimas
3 dalis – Tikimybių ir statistikos pagrindai
- Mes tiriame bendrąsias aprašomosios ir matematinės statistikos sąvokas
- Kombinatorikos įvaldymas
- Tiriame pagrindinius skirstinių ir koreliacijų tipus
- Bayeso teoremos supratimas
- Naivaus Bayes klasifikatoriaus mokymasis
- Kombinatorikos, pagrįstumo ir prognozavimo uždavinius sprendžiame pasitelkdami statistiką ir tikimybių teoriją
- Mes konsoliduojame matematinius klasifikavimo ir logistinės regresijos pagrindus
4 dalis. Laiko eilutės ir kiti matematiniai metodai
- Pristatome laiko eilučių analizę
- Sudėtingesnių regresijų tipų įvaldymas
- Biudžeto prognozavimas naudojant laiko eilutes
- Klasikinių mašininio mokymosi modelių matematinių pagrindų stiprinimas
Trumpa mašininio mokymosi kursų programa
Mokytojo pagalba mokymų metu
1 modulis – mašininio mokymosi įvadas
Susipažįstame su pagrindinėmis mašininio mokymosi užduotimis ir metodais, nagrinėjame praktinius atvejus ir taikome pagrindinį algoritmą dirbant su ML projektu
Mes išsprendžiame daugiau nei 50 problemų, kad sustiprintume temą
2 modulis – išankstinio duomenų apdorojimo metodai
Mes tiriame duomenų tipus, mokomės išvalyti ir praturtinti duomenis, naudojame vizualizaciją išankstiniam apdorojimui ir valdome funkcijų inžineriją
Mes išsprendžiame daugiau nei 60 problemų, kad sustiprintume temą
3 modulis – regresija
Įvaldome tiesinę ir logistinę regresiją, studijuojame pritaikomumo ribas, analitinę išvadą ir reguliavimą. Treniruočių regresijos modeliai
Mes išsprendžiame daugiau nei 40 problemų, kad sustiprintume temą
4 modulis – grupavimas
Įvaldome mokymąsi be mokytojo, praktikuojame įvairius jo metodus, dirbame su tekstais naudodami ML
Mes išsprendžiame daugiau nei 50 problemų, kad sustiprintume temą
5 modulis – medžiu pagrįsti algoritmai: įvadas į medžius
Susipažinkime su sprendimų medžiais ir jų savybėmis, įsisavinkime medžius iš sklearn bibliotekos ir naudokime medžius regresijos uždaviniui spręsti
Mes išsprendžiame daugiau nei 40 problemų, kad sustiprintume temą
6 modulis – medžiu pagrįsti algoritmai: ansambliai
Mes tiriame medžių ansamblių ypatybes, praktikuojame stiprinimą, naudojame ansamblį logistinei regresijai kurti
Mes išsprendžiame daugiau nei 40 problemų, kad sustiprintume temą
Dalyvaujame kaggle konkurse, skirtame modeliui iš medžio ruošti
7 modulis – Algoritmų kokybės įvertinimas
Studijuojame imčių skaidymo, per mažo ir permontavimo principus, vertiname modelius naudodami įvairias kokybės metrikas, mokomės vizualizuoti mokymosi procesą
Kelių ML modelių kokybės įvertinimas
Mes išsprendžiame daugiau nei 40 problemų, kad sustiprintume temą
8 modulis – mašininio mokymosi laiko eilutės
Susipažinkime su laiko eilučių analize ML, įsisavinkime tiesinius modelius ir XGBoost, išstudijuokime kryžminio patvirtinimo ir parametrų pasirinkimo principus
Mes išsprendžiame daugiau nei 50 problemų, kad sustiprintume temą
9 modulis – Rekomendavimo sistemos
Studijuojame rekomendacinių sistemų konstravimo metodus, įsisaviname SVD algoritmą, įvertiname apmokyto modelio rekomendacijų kokybę
Mes išsprendžiame daugiau nei 50 problemų, kad sustiprintume temą
10 modulis – paskutinis hakatonas
Taikome visus ištirtus metodus, kad gautume maksimalų Kaggle modelio prognozių tikslumą