- Регистрация
- 22 Февраль 2018
- Сообщения
- 11.084
Автор: Миронов, Минеева
Название: Математика для Data Science (2021)
Описание:
stepik academy - Михаил Миронов, Екатерина Минеева
Разберитесь, как работают технологии машинного обучения, и научитесь пользоваться ими осознанно.
Математика для DS – программа из 3 курсов, которая поможет
1. Разобраться в теории
Вы любите доходить до самой сути всего, что делаете. Вам интересно, что стоит за теми алгоритмами, которые вы применяете.
2. Подготовиться к собеседованию
Вы хотите работать в сфере Data Science и боитесь каверзных вопросов на собеседованиях? Не зря боитесь.
3. Читать научные статьи
Статьи по Data Science часто несложные по сути – но без определенной математической базы их сложно читать.
4. Полюбить математику
Мы любим математику и хотим показать вам, как она красива.
Содержание
Блок 1 - Математический анализ
Модуль 1 - Одномерный математический анализ
- Зачем в машинном обучении нужен математический анализ
- Множества и функции
- Пределы последовательностей
- Пределы функций и непрерывные функции
- Производные
- Одномерный градиентный спуск
Модуль 2 - Многомерный математический анализ
- R^n: расстояния и векторы
- Дифференциал и частные производные
- Производная по направлению и градиент
- Градиентный спуск
- Модификации градиентного спуска (Momentum, RMSProp, Adam)
Блок 2 - Линейная алгебра
Модуль 1 - Линейная алгебра
- Векторные пространства и линейные отображения
- Матрицы
- Нейронные сети
- Подпространства, базис, размерность
- Ранг матрицы и метод Гаусса
Модуль 2 - Линейная алгебра продолжение
- Определитель, обратные матрицы, замена базиса
- Скалярное произведение, углы, расстояния
- Ортогональные матрицы
- Матричные разложения
- Собственные векторы и SVD
- Backpropagation
Блок 3 - Теория вероятностей
Модуль 1 - Дискретная теория вероятностей
- Вероятностное пространство, события, исходы
- Равновероятные исходы
- Условная вероятность, независимые события, теорема Байеса
- Перестановки и биномиальные коэффициенты
- Дискретная случайная величина, распределение, математическое ожидание, дисперсия
- Ряды и счётное пространство исходов
Модуль 2 - Непрерывная теория вероятностей
- Интеграл и непрерывное пространство исходов.
- Непрерывная случайная величина, распределение, плотность распределения, математическое ожидание, дисперсия
- Закон больших чисел
- Центральная предельная теорема
- Основы статистики: статистические тесты
Материал на английском языке
Подробнее:
Скачать:
Название: Математика для Data Science (2021)
Описание:
stepik academy - Михаил Миронов, Екатерина Минеева
Разберитесь, как работают технологии машинного обучения, и научитесь пользоваться ими осознанно.
Математика для DS – программа из 3 курсов, которая поможет
1. Разобраться в теории
Вы любите доходить до самой сути всего, что делаете. Вам интересно, что стоит за теми алгоритмами, которые вы применяете.
2. Подготовиться к собеседованию
Вы хотите работать в сфере Data Science и боитесь каверзных вопросов на собеседованиях? Не зря боитесь.
3. Читать научные статьи
Статьи по Data Science часто несложные по сути – но без определенной математической базы их сложно читать.
4. Полюбить математику
Мы любим математику и хотим показать вам, как она красива.
Содержание
Блок 1 - Математический анализ
Модуль 1 - Одномерный математический анализ
- Зачем в машинном обучении нужен математический анализ
- Множества и функции
- Пределы последовательностей
- Пределы функций и непрерывные функции
- Производные
- Одномерный градиентный спуск
Модуль 2 - Многомерный математический анализ
- R^n: расстояния и векторы
- Дифференциал и частные производные
- Производная по направлению и градиент
- Градиентный спуск
- Модификации градиентного спуска (Momentum, RMSProp, Adam)
Блок 2 - Линейная алгебра
Модуль 1 - Линейная алгебра
- Векторные пространства и линейные отображения
- Матрицы
- Нейронные сети
- Подпространства, базис, размерность
- Ранг матрицы и метод Гаусса
Модуль 2 - Линейная алгебра продолжение
- Определитель, обратные матрицы, замена базиса
- Скалярное произведение, углы, расстояния
- Ортогональные матрицы
- Матричные разложения
- Собственные векторы и SVD
- Backpropagation
Блок 3 - Теория вероятностей
Модуль 1 - Дискретная теория вероятностей
- Вероятностное пространство, события, исходы
- Равновероятные исходы
- Условная вероятность, независимые события, теорема Байеса
- Перестановки и биномиальные коэффициенты
- Дискретная случайная величина, распределение, математическое ожидание, дисперсия
- Ряды и счётное пространство исходов
Модуль 2 - Непрерывная теория вероятностей
- Интеграл и непрерывное пространство исходов.
- Непрерывная случайная величина, распределение, плотность распределения, математическое ожидание, дисперсия
- Закон больших чисел
- Центральная предельная теорема
- Основы статистики: статистические тесты
Материал на английском языке
Подробнее:
Для просмотра содержимого вам необходимо авторизоваться.
Скачать:
Скрытое содержимое могут видеть только члены группы Премиум.
Скрытый контент для пользователей All-dar.