Фарго
Platinum
- Регистрация
- 20 Окт 2018
- Сообщения
- 29.083
- Реакции
- 178.106
[Леонид Крицков, Татьяна Захарова] [proglib] Онлайн-курс по математике в Data Science (2023)
Курс познакомит вас со всей математикой, нужной для изучения анализа данных.
Кому подойдёт этот курс:
1. Новичкам в IT
Курс поможет освоить востребованную профессию Data Scientist, прокачать мышление для дальнейшего изучения анализа данных и computer science. Для его освоения достаточно школьных знаний математики.
2. Соискателям
Курс охватывает программу поступления в школу анализа данных Яндекса и те темы, что спрашивают на собеседования на позицию по анализу данных. Вы сможете получить обратную связь от преподавателей МГУ с многолетним опытом обучения студентов.
Чему Вы научитесь на курсе:
1. Поймете математические термины.
Усвоите основную терминологию, сможете читать сложные статьи по Data Science и получать новые знания без постоянных обращений к поисковику.
2. Разберётесь в математических основах машинного обучения.
Изучите математические основы Machine Learning и узнаете роль чисел, формул и функций в разработке алгоритмов машинного обучения.
3. Расширите свое сознание.
Математика прокачивает мозг и развивает абстрактное мышление. В курсе много задач разного уровня сложности, что позволит вам набить руку и быть готовым к любым вопросам «на засыпку» на собеседовании.
Содержание:
Базовая математика для Data Science
Модуль 1. - Математический анализ
Скачать:
Курс познакомит вас со всей математикой, нужной для изучения анализа данных.
Кому подойдёт этот курс:
1. Новичкам в IT
Курс поможет освоить востребованную профессию Data Scientist, прокачать мышление для дальнейшего изучения анализа данных и computer science. Для его освоения достаточно школьных знаний математики.
2. Соискателям
Курс охватывает программу поступления в школу анализа данных Яндекса и те темы, что спрашивают на собеседования на позицию по анализу данных. Вы сможете получить обратную связь от преподавателей МГУ с многолетним опытом обучения студентов.
Чему Вы научитесь на курсе:
1. Поймете математические термины.
Усвоите основную терминологию, сможете читать сложные статьи по Data Science и получать новые знания без постоянных обращений к поисковику.
2. Разберётесь в математических основах машинного обучения.
Изучите математические основы Machine Learning и узнаете роль чисел, формул и функций в разработке алгоритмов машинного обучения.
3. Расширите свое сознание.
Математика прокачивает мозг и развивает абстрактное мышление. В курсе много задач разного уровня сложности, что позволит вам набить руку и быть готовым к любым вопросам «на засыпку» на собеседовании.
Содержание:
Базовая математика для Data Science
- 01. Начала теории множеств
- 02. Геометрическая прогрессия. Векторная алгебра
- 03. Теория вероятностей. Рациональные уравнения
- 04. Рациональные уравнения. Алгебраические уравнения
- 05. Иррациональные уравнения. Графический способ решения систем
- 06. Неравенства
- 07. Неравенства продолжение
- 08. Функции график и свойства
- 09. Графики функций и их преобразования
- 10. Производная, исследование функций
- 11. Исследование функций. Интреграл
- 12. Контрольная работа
Модуль 1. - Математический анализ
- О курсе
- Введение в модуль
- Теория множеств
- Числовые последовательности
- Пределы числовых функций. Асимптотическое сравнение функций
- Вебинар по решению задач домашней работы
- Непрерывность функции
- Дифференциальное исчисление
- Дифференцируемость функций многих переменных. Поиск экстремумов
- Применения формулы Тейлора
- Определенный интеграл
- Несобственный интеграл
- Интеграл Лебега
- Числовые и функциональные ряды
- Функции многих переменных
- Нахождение наибольшего и наименьшего значений функций на отрезке
- Основные формулы комбинаторики
- Принцип Дирихле
- Перестановки, размещения и сочетания с повторениями
- Консультация по комбинаторике и теории вероятностей
- Основные понятия, классическая модель вероятности
- Непрерывные случайные величины
- Численные характеристики случайных величин
- Основные законы распределения случайных величин
- Моделирование случайных величин с заданным распределением
- Основные теоремы теории вероятностей
- Основные понятия матстатистики. Точечные оценки и их свойства
- Методы построения оценок неизвестных параметров
- Проверка статистических гипотез
- Матрицы и операции над ними
- Определитель квадратной матрицы
- Обратная матрица
- Однородные и неоднородные системы уравнений
- Линейная зависимость и ранг
- Комплексные числа
- Линейные отображения
- Собственные векторы линейного отображения
- Скалярное произведение в линейном пространстве
- Отображения в евклидовом пространстве
- Билинейные и квадратичные формы
- Word2vec
- Градиентный спуск
- Backpropagation
- Случайный лес
- Классификация наблюдений логистическая и пробит регрессии
- Метод ближайших соседей (KNN)
- Классификация наблюдений байесовский классификатор
Вам необходимо зарегистрироваться для просмотра скрытого контента
Скачать:
Скрытое содержимое могут видеть только пользователи группы: Platinum, VIP, Премиум - Купить доступ
Возможно, Вас ещё заинтересует:
- [Вадим Сайфутдинов, Анатолий Сотников] Chat GPT и 1С. Обмен между Chat GPT и 1С через API (2024)
- [Вадим Прокопчук] [Udemy] Верстка сайта c использованием Gulp в модульном Bento стиле (2024)
- [Alex Erofeev] [Stepik] Python в нескучных примерах (2023)
- [Николай Миронов] [wpmoscow] Профессиональная разработка многостраничных сайтов (2024)
- [Тимур Машнин] Язык программирования MQL5: Продвинутое использование.. (2 изд.) (2019)
- [Денис Матвеенко] Docker. Подписка на 3 месяца (2024)
- [Н. Честнов и др.] Python и ИИ-технологии с нуля за 4 месяца, 12 проектов с помощью ChatGPT (2024)
- [Udemy] Frank Anemaet ― Набор инструментов для хакеров (2024)