Matemaatika ja masinõpe andmeteaduse jaoks – kursus 50 040 RUB. SkillFactoryst, koolitus 5,5 kuud, Kuupäev: 13.08.2023.
Varia / / November 29, 2023
Saate õppida kõikjal maailmas. Uued moodulid avatakse kord nädalas. Teemat aitavad mõista spetsiaalselt kujundatud sisu ja lisamaterjalid.
Praktika koosneb kolmest osast: lihtsate arvutusharjutuste sooritamine; Pythonil põhinevate harjutuste sooritamine; eluprobleemide lahendamine andmeanalüüsi, prognoosimise ja optimeerimise vallas.
Suhtled pidevalt oma kaasüliõpilastega Slacki privaatkanalites. Kui te ei saa millestki aru või ei saa ülesandega hakkama, aitame teil selle välja mõelda.
Kursuse lõpus antakse teile spetsiaalne ülesanne, milles saate rakendada kõiki omandatud oskusi ja kinnitada materjali edukat õppimist.
Matemaatika kursuse programm
1. osa – Lineaaralgebra
- Uurime vektoreid ja maatriksitüüpe
- Maatriksitega tehte tegemise õppimine
- Lineaarse sõltuvuse määramine maatriksite abil
- Uurime pöörd-, ainsuse- ja mitteainsuse maatrikseid
- Uurime lineaarvõrrandisüsteeme, oma- ja kompleksarvusid
- Maatriksi valdamine ja ainsuse lagunemine
- Lineaarse sõltuvuse ülesannete lahendamine maatriksite abil
- Optimeerimine põhikomponendi meetodi abil
- Lineaarse regressiooni matemaatiliste aluste tugevdamine
2. osa – Matemaatilise analüüsi alused
- Uurime ühe ja mitme muutuja ning tuletise funktsioone
- Gradiendi ja gradiendi laskumise mõiste valdamine
- Optimeerimisprobleemide koolitus
- Uurime Lagrange'i kordaja meetodit, Newtoni meetodit ja simuleeritud lõõmutamist
- Lahendame võidustrateegia ennustamise ja otsimise ülesandeid kasutades tuletis- ja numbrilise optimeerimise meetodeid
- Gradiendi laskumise ja simuleeritud lõõmutamise taga oleva matemaatika tugevdamine
3. osa – Tõenäosuse ja statistika alused
- Uurime kirjeldava ja matemaatilise statistika üldmõisteid
- Kombinatoorika valdamine
- Uurime jaotuste ja korrelatsioonide peamisi tüüpe
- Bayesi teoreemi mõistmine
- Naiivse Bayesi klassifikaatori õppimine
- Lahendame kombinatoorika, valiidsuse ja prognoosimise ülesandeid kasutades statistikat ja tõenäosusteooriat
- Konsolideerime klassifitseerimise ja logistilise regressiooni matemaatilisi aluseid
4. osa – Aegread ja muud matemaatilised meetodid
- Tutvustame aegridade analüüsi
- Keerulisemate regressioonitüüpide valdamine
- Eelarve prognoosimine aegridade abil
- Klassikaliste masinõppemudelite matemaatiliste aluste tugevdamine
Masinõppe lühikursuse programm
Juhendaja abi koolituse ajal
1. moodul – masinõppe sissejuhatus
Tutvume masinõppe peamiste ülesannete ja meetoditega, uurime praktilisi juhtumeid ja rakendame ML projektiga töötamise põhialgoritmi
Teema tugevdamiseks lahendame 50+ ülesannet
2. moodul – andmete eeltöötlusmeetodid
Uurime andmetüüpe, õpime andmeid puhastama ja rikastama, kasutame visualiseerimist eeltöötluseks ja valdame funktsioonide projekteerimist
Teema tugevdamiseks lahendame üle 60 probleemi
3. moodul – regressioon
Valdame lineaarset ja logistilist regressiooni, uurime rakendatavuse piire, analüütilist järeldust ja seadustamist. Regressioonimudelite treenimine
Teema tugevdamiseks lahendame 40+ ülesannet
4. moodul – rühmitamine
Me valdame ilma õpetajata õppimist, praktiseerime selle erinevaid meetodeid, töötame tekstidega ML abil
Teema tugevdamiseks lahendame 50+ ülesannet
5. moodul – puupõhised algoritmid: puude tutvustus
Tutvume otsustuspuude ja nende omadustega, meisterdame puud sklearni raamatukogust ja kasutame puid regressiooniülesande lahendamiseks
Teema tugevdamiseks lahendame 40+ ülesannet
6. moodul – puupõhised algoritmid: ansamblid
Uurime puuansamblite omadusi, harjutame võimendamist, kasutame ansamblit logistilise regressiooni koostamiseks
Teema tugevdamiseks lahendame 40+ ülesannet
Osaleme kaggle võistlusel puupõhise mudeli treenimiseks
Moodul 7 – Algoritmide kvaliteedi hindamine
Uurime valimite jagamise, ala- ja ülesobitamise põhimõtteid, hindame mudeleid erinevate kvaliteedimõõdikute abil, õpime visualiseerima õppeprotsessi
Mitmete ML mudelite kvaliteedi hindamine
Teema tugevdamiseks lahendame 40+ ülesannet
8. moodul – masinõppe aegrida
Tutvume aegridade analüüsiga ML-is, meisterdame lineaarseid mudeleid ja XGBoosti, uurime ristvalideerimise ja parameetrite valiku põhimõtteid
Teema tugevdamiseks lahendame 50+ ülesannet
Moodul 9 – Soovitussüsteemid
Uurime soovitussüsteemide konstrueerimise meetodeid, valdame SVD algoritmi, hindame koolitatud mudeli soovituste kvaliteeti
Teema tugevdamiseks lahendame 50+ ülesannet
10. moodul – viimane häkaton
Rakendame kõiki uuritud meetodeid, et saavutada Kaggle mudeli prognooside maksimaalne täpsus