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.
Спойлер: Содержание
Модуль 1. Методы оптимизации
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 2. Алгоритмы анализа данных
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
Модуль 3. Итоговая работа
Применение изученных разделов методов оптимизации и алгоритмов анализа данных на общем примере (Jupiter notebook). Проект.
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.
Спойлер: Содержание
Модуль 1. Методы оптимизации
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 2. Алгоритмы анализа данных
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
Модуль 3. Итоговая работа
Применение изученных разделов методов оптимизации и алгоритмов анализа данных на общем примере (Jupiter notebook). Проект.
