1. Мы открыли доступ к ранее скрытому контенту.

    Вам доступно более 44 000 видео уроков, книг и программ без VIP статуса. Более подробно ЗДЕСЬ.
    Скрыть объявление

Активно Математика для Data Science. 3 часть. Методы оптимизации и алгоритмы анализа данных [2020] [Специали

Тема в разделе "Программирование", создана пользователем Таточка, 22 май 2020.

0/5, Голосов: 0

Этап:
Набор участников
Цена:
21990.00 руб.
Участников:
0 из 45
Организатор:
требуется
0%
Расчетный взнос:
538 руб.
  • (Записывайтесь, чем больше участников, тем меньше расчетный взнос)

  1. Таточка

    Таточка Администратор Администратор

    Сообщения:
    24.800
    Симпатии:
    8.658
    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

    • - 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.

    Математика для Data Science. 3 часть. Методы оптимизации и алгоритмы анализа данных .
     
Мы в Telegram: Сохранить в соц. сетях:
Оценить эту тему:
/5,
Похожие темы
  1. Таточка
    Ответов:
    0
    Просмотров:
    11
  2. Таточка
    Ответов:
    0
    Просмотров:
    8
  3. Таточка
    Ответов:
    0
    Просмотров:
    11
  4. Таточка
    Ответов:
    0
    Просмотров:
    38
  5. Таточка
    Ответов:
    0
    Просмотров:
    37
Загрузка...
  1. Этот сайт использует файлы cookie. Продолжая пользоваться данным сайтом, Вы соглашаетесь на использование нами Ваших файлов cookie.
    Скрыть объявление