- Регистрация
- 22 Февраль 2018
- Сообщения
- 11.084
Автор: Нетология
Название: Математика для анализа данных (2020)
Описание:
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.
Результат обучения
- Проверять векторы на линейную зависимость.
- Решать системы линейных уравнений в матричной форме.
- Вычислять собственные векторы и числа для матрицы.
- Производить матричныеhttps://s13.eground.org/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:
Скачать:
Название: Математика для анализа данных (2020)
Описание:
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.
Результат обучения
- Проверять векторы на линейную зависимость.
- Решать системы линейных уравнений в матричной форме.
- Вычислять собственные векторы и числа для матрицы.
- Производить матричныеhttps://s13.eground.org/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:
Для просмотра содержимого вам необходимо авторизоваться.
Скачать:
Скрытое содержимое могут видеть только члены группы Премиум.
Скрытый контент для пользователей All-dar.