• ОФОРМИТЬ ПОДПИСКУ ОТЗЫВЫ

Нетология [Нетология] Математика для анализа данных (2020)

Gatsby

ВЕЧНЫЙ

Gatsby

ВЕЧНЫЙ
Регистрация
10 Окт 2018
Сообщения
34,753
Лайки
139,981
Автор: Нетология
Название: Математика для анализа данных (2020)

2020-05-12_10-49-18.png

Чтобы увидеть в больших объёмах данных закономерности, аналитик опирается на линейную алгебру, математический анализ и теорию вероятности. Если специалист не разбирается в этих направлениях — гипотезы и выводы будут неточными. Это как запустить ракету в космос, не зная траекторию полёта.

Мы создали вводный курс в математику, чтобы вы начали исследовать данные с важным бэкграундом для Data Science и выбирали алгоритмы, которые будут решать поставленную задачу.

Кому подойдёт курс
  • Специалистам по Data Science
    Начнёте глубже разбираться в алгоритмах машинного обучения. Поймёте, какие принципы лежат в основе разных алгоритмов, чтобы выбирать правильные инструменты.
  • Аналитикам данных
    Познакомитесь с основными математическими концепциями и заложите теоретический фундамент, чтобы лучше разбираться в статистике и правильно интерпретировать данные.
Программа курса:

1.
Линейная алгебра

Это базовый раздел математики. Он даёт понимание, как компьютер представляет данные и управляет ими.

Лекция 1. Векторы.
Лекция 2. Матрицы.
Лекция 3. Продвинутая линейная алгебра.

2. Математический анализ

Узнаете, какая теория стоит за понятием «машинное обучение». Поймёте, с помощью каких алгоритмов математического анализа компьютер ищет параметры моделей.

Лекция 4. Производная.
Лекция 5. Производная функции нескольких аргументов.
Лекция 6. Теория оптимизации.

3. Теория вероятности

Этот раздел математики поможет провести анализ гипотезы с помощью цифр и понять, какие выбрать шаги, чтобы решить задачу.

Лекция 7. Дискретные случайные величины.
Лекция 8. Непрерывные случайные величины.
Лекция 9. Центральные предельные теоремы и закон больших чисел.

Результат обучения
  • 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.
Подробнее:
Скрытое содержимое доступно для зарегистрированных пользователей!

Скачать:
 
ВАЖНО:

Не оставляйте комментарии с просьбами обновить / заменить ссылку на скачивание или комментарии типа «404», «ошибка».

Для восстановления ссылки есть кнопки «Жалоба / Восстановить ссылку» в первом посте темы.

При нарушении Ваш комментарий будет удален, а Ваш аккаунт заблокирован на сутки. Пожалуйста, изучите правила нашего сайта.
Сверху Снизу