Математика для Data Science. 3 часть. Методы оптимизации и алгоритмы анализа данных
Специалист
Профессия Data Scientist становится одной из самых перспективных и востребованных в IT. Для успешной работы в этой области необходимы знания разделов высшей математики, таких как теория вероятности и математическая статистика.
Цель курса: основные разделы методов оптимизации и алгоритмов анализа данных, необходимые для успешного применения в области Data Science.
Курс рекомендован начинающим специалистам в области Data Science. По окончании курса Вы сможете использовать полученные знания по методам оптимизации и алгоритмам анализа данных для старта в области Data Science.
По окончании курса Вы будете уметь:
1. Использовать полученные знания по методам оптимизации и алгоритмам анализа данных для старта в области Data Science.
Специалисты, обладающие этими знаниями и навыками, в настоящее время крайне востребованы. Большинство выпускников наших курсов делают успешную карьеру и пользуются уважением работодателей.
Модуль 1. Методы оптимизации
Модуль 2. Алгоритмы анализа данных
- Основные понятия, определения, предмет
- Непрерывность, гладкость и сходимость ЦФ. Дискретные ЦФ
- Условная и безусловная оптимизация
- Методы однокритериальной оптимизации
- Постановка задачи многокритериальной оптимизации
- Методы многокритериальной оптимизации
- Градиентный спуск
- Стохастические методы оптимизации
Модуль 3. Итоговая работа
- Алгоритм линейной регрессии. Градиентный спуск
- Масштабирование признаков. L1- и L2-регуляризация. Стохастический градиентный спуск
- Логистическая регрессия
- Алгоритм построения дерева решений. Случайный лес
- Градиентный бустинг
- Разбор алгоритма обратного распространения ошибки
- Применение изученных разделов методов оптимизации и алгоритмов анализа данных на общем примере (Jupiter notebook). Проект.
Последнее редактирование модератором:
- Статус
- В этой теме нельзя размещать новые ответы.