Tietojen matematiikka ja koneoppiminen - kurssi 50 040 RUB. SkillFactorysta, koulutus 5,5 kuukautta, Päivämäärä: 13.8.2023.
Miscellanea / / November 29, 2023
Voit opiskella mistä päin maailmaa tahansa. Uudet moduulit avataan kerran viikossa. Erityisesti suunniteltu sisältö ja lisämateriaalit auttavat sinua ymmärtämään aihetta.
Harjoittelu koostuu kolmesta osasta: yksinkertaisten laskuharjoitusten suorittaminen; Python-pohjaisten harjoitusten suorittaminen; elämänongelmien ratkaiseminen data-analyysin, ennustamisen ja optimoinnin alalla.
Viestit jatkuvasti opiskelutovereiden kanssa yksityisillä Slack-kanavilla. Jos et ymmärrä jotakin tai et selviä tehtävästä, autamme sinua selvittämään sen.
Kurssin päätteeksi saat erikoistehtävän, jossa voit soveltaa kaikkia hankkimaasi osaamista ja vahvistaa onnistuneen materiaalin oppimisen.
Matematiikan kurssiohjelma
Osa 1 - Lineaarinen algebra
- Tutkimme vektoreita ja matriisien tyyppejä
- Oppiminen suorittamaan operaatioita matriiseille
- Lineaarisen riippuvuuden määrittäminen matriiseilla
- Tutkimme käänteisiä, singulaarisia ja ei-singulaarisia matriiseja
- Tutkimme lineaarisia yhtälöjärjestelmiä, ominaislukuja ja kompleksilukuja
- Masterointimatriisin ja singulaarihajotus
- Lineaaristen riippuvuusongelmien ratkaiseminen matriisien avulla
- Optimointi pääkomponenttimenetelmällä
- Lineaarisen regression matemaattisten perusteiden vahvistaminen
Osa 2 - Matemaattisen analyysin perusteet
- Tutkimme yhden ja useamman muuttujan ja derivaatan funktioita
- Gradientin ja gradientin laskeutumisen käsitteen hallinta
- Koulutus optimointiongelmiin
- Tutkimme Lagrangen kerroinmenetelmää, Newtonin menetelmää ja simuloitua hehkutusta
- Ratkaisemme voittavan strategian ennustamisen ja etsimisen ongelmia derivaatta- ja numeeristen optimointimenetelmien avulla
- Gradienttilaskeutumisen ja simuloidun hehkutuksen takana olevan matematiikan vahvistaminen
Osa 3 - Todennäköisyyslaskennan perusteet ja tilastot
- Tutkimme kuvaavan ja matemaattisen tilaston yleiskäsitteitä
- Kombinatoriikan hallinta
- Tutkimme jakaumien ja korrelaatioiden päätyyppejä
- Bayesin lauseen ymmärtäminen
- Naiivin Bayes-luokittimen oppiminen
- Ratkaisemme kombinatoriikan, validiteetin ja ennustamisen ongelmia tilastojen ja todennäköisyysteorian avulla
- Vahvistamme luokittelun ja logistisen regression matemaattiset perusteet
Osa 4 - Aikasarjat ja muut matemaattiset menetelmät
- Esittelyssä aikasarjaanalyysi
- Monimutkaisempien regressioiden hallinta
- Budjetin ennustaminen aikasarjoja käyttäen
- Klassisten koneoppimismallien matemaattisten perusteiden vahvistaminen
Lyhyt kurssiohjelma koneoppimisesta
Ohjaajan apu koulutuksen aikana
Moduuli 1 - Johdatus koneoppimiseen
Tutustumme koneoppimisen päätehtäviin ja menetelmiin, tutkimme käytännön tapauksia ja sovellamme ML-projektin työskentelyn perusalgoritmia
Ratkaisemme yli 50 tehtävää aiheen vahvistamiseksi
Moduuli 2 - Tietojen esikäsittelymenetelmät
Tutkimme tietotyyppejä, opimme puhdistamaan ja rikastuttamaan dataa, käyttämään visualisointia esikäsittelyssä ja hallitsemaan ominaisuuksia
Ratkaisemme yli 60 tehtävää aiheen vahvistamiseksi
Moduuli 3 - Regressio
Hallitsemme lineaarisen ja logistisen regression, tutkimme sovellettavuuden rajoja, analyyttistä päättelyä ja regularisointia. Koulutusregressiomallit
Ratkaisemme yli 40 tehtävää aiheen vahvistamiseksi
Moduuli 4 - Klusterit
Hallitsemme oppimisen ilman opettajaa, harjoittelemme sen erilaisia menetelmiä, työskentelemme tekstien kanssa ML: n avulla
Ratkaisemme yli 50 tehtävää aiheen vahvistamiseksi
Moduuli 5 - Puupohjaiset algoritmit: johdatus puihin
Tutustutaan päätöspuihin ja niiden ominaisuuksiin, hallitaan sklearn-kirjaston puita ja käytämme puita regressiotehtävän ratkaisemiseen
Ratkaisemme yli 40 tehtävää aiheen vahvistamiseksi
Moduuli 6 - Puupohjaiset algoritmit: ensembles
Tutkimme puuryhmien ominaisuuksia, harjoittelemme tehostamista, käytämme kokonaisuutta logistisen regression rakentamiseen
Ratkaisemme yli 40 tehtävää aiheen vahvistamiseksi
Osallistumme kaggle-kilpailuun puupohjaisen mallin kouluttamisesta
Moduuli 7 - Algoritmien laadun arviointi
Tutkimme näytteiden jakamisen, ali- ja ylisovituksen periaatteita, arvioimme malleja eri laatumittareiden avulla, opimme visualisoimaan oppimisprosessia
Useiden ML-mallien laadun arviointi
Ratkaisemme yli 40 tehtävää aiheen vahvistamiseksi
Moduuli 8 - Aikasarjat koneoppimisessa
Tutustutaan aikasarjaanalyysiin ML: ssä, masteroidaan lineaarisia malleja ja XGBoostia, tutkitaan ristiinvalidoinnin ja parametrien valinnan periaatteita
Ratkaisemme yli 50 tehtävää aiheen vahvistamiseksi
Moduuli 9 - Recommender Systems
Tutkimme suosittelujärjestelmien rakentamismenetelmiä, hallitsemme SVD-algoritmin, arvioimme opetetun mallin suositusten laatua
Ratkaisemme yli 50 tehtävää aiheen vahvistamiseksi
Moduuli 10 - Viimeinen Hackathon
Käytämme kaikkia tutkittuja menetelmiä saadaksemme Kagglen malliennusteiden maksimaalisen tarkkuuden