Μαθηματικά και Μηχανική Μάθηση για Επιστήμη Δεδομένων - μάθημα 50.040 RUB. από το SkillFactory, εκπαίδευση 5,5 μήνες, Ημερομηνία: 13 Αυγούστου 2023.
μικροαντικείμενα / / November 29, 2023
Θα μπορείτε να σπουδάζετε από οπουδήποτε στον κόσμο. Οι νέες ενότητες θα ανοίγουν μία φορά την εβδομάδα. Το ειδικά σχεδιασμένο περιεχόμενο και το πρόσθετο υλικό θα σας βοηθήσουν να κατανοήσετε το θέμα.
Η εξάσκηση αποτελείται από τρία μέρη: εκτέλεση απλών ασκήσεων υπολογισμού. εκτέλεση ασκήσεων που βασίζονται σε Python. επίλυση προβλημάτων ζωής στον τομέα της ανάλυσης δεδομένων, της πρόβλεψης και της βελτιστοποίησης.
Θα επικοινωνείτε συνεχώς με τους συμφοιτητές σας σε ιδιωτικά κανάλια Slack. Εάν δεν καταλαβαίνετε κάτι ή δεν μπορείτε να αντεπεξέλθετε σε μια εργασία, θα σας βοηθήσουμε να το καταλάβετε.
Στο τέλος του μαθήματος, θα σας δοθεί μια ειδική εργασία στην οποία θα μπορείτε να εφαρμόσετε όλες τις δεξιότητες που έχετε αποκτήσει και να επιβεβαιώσετε την επιτυχή εκμάθηση του υλικού.
Πρόγραμμα μαθημάτων μαθηματικών
Μέρος 1 - Γραμμική άλγεβρα
- Μελετάμε διανύσματα και τύπους πινάκων
- Εκμάθηση εκτέλεσης πράξεων σε πίνακες
- Προσδιορισμός γραμμικής εξάρτησης με χρήση πινάκων
- Μελετάμε αντίστροφους, ενικούς και μη πίνακες
- Μελετάμε συστήματα γραμμικών εξισώσεων, ιδιογενών και μιγαδικών αριθμών
- Mastering matrix και singular decomposition
- Επίλυση προβλημάτων γραμμικής εξάρτησης με χρήση πινάκων
- Βελτιστοποίηση χρησιμοποιώντας τη μέθοδο του κύριου στοιχείου
- Ενίσχυση των μαθηματικών θεμελίων της γραμμικής παλινδρόμησης
Μέρος 2 - Βασικές αρχές μαθηματικής ανάλυσης
- Μελετάμε συναρτήσεις μιας και πολλών μεταβλητών και παραγώγων
- Κατακτήστε την έννοια της κλίσης και της κλίσης κατάβασης
- Εκπαίδευση σε προβλήματα βελτιστοποίησης
- Μελετάμε τη μέθοδο του πολλαπλασιαστή Lagrange, τη μέθοδο του Newton και την προσομοίωση της ανόπτησης
- Επιλύουμε προβλήματα πρόβλεψης και αναζήτησης στρατηγικής που κερδίζει χρησιμοποιώντας μεθόδους παραγώγων και αριθμητικής βελτιστοποίησης
- Ενίσχυση των μαθηματικών πίσω από την ντεγκραντέ κάθοδο και την προσομοίωση της ανόπτησης
Μέρος 3 - Βασικές αρχές πιθανοτήτων και στατιστικών
- Μελετάμε τις γενικές έννοιες της περιγραφικής και της μαθηματικής στατιστικής
- Κατοχή συνδυαστικής
- Μελετάμε τους κύριους τύπους κατανομών και συσχετισμών
- Κατανόηση του Θεωρήματος του Bayes
- Μαθαίνοντας έναν ταξινομητή Naive Bayes
- Επιλύουμε προβλήματα συνδυαστικής, εγκυρότητας και πρόβλεψης χρησιμοποιώντας στατιστικά στοιχεία και θεωρία πιθανοτήτων
- Εδραιώνουμε τα μαθηματικά θεμέλια της ταξινόμησης και της λογιστικής παλινδρόμησης
Μέρος 4 - Χρονικές σειρές και άλλες μαθηματικές μέθοδοι
- Παρουσιάζοντας την Ανάλυση χρονοσειρών
- Κατακτήστε πιο σύνθετους τύπους παλινδρόμησης
- Πρόβλεψη προϋπολογισμού με χρήση χρονοσειρών
- Ενίσχυση των μαθηματικών θεμελίων των κλασικών μοντέλων μηχανικής μάθησης
Σύντομο πρόγραμμα μαθημάτων για τη Μηχανική Μάθηση
Βοήθεια καθηγητή κατά τη διάρκεια της εκπαίδευσης
Ενότητα 1 - Εισαγωγή στη Μηχανική Μάθηση
Εξοικειωνόμαστε με τις κύριες εργασίες και μεθόδους μηχανικής μάθησης, μελετάμε πρακτικές περιπτώσεις και εφαρμόζουμε τον βασικό αλγόριθμο για την εργασία σε ένα έργο ML
Επιλύουμε 50+ προβλήματα για να ενισχύσουμε το θέμα
Ενότητα 2 - Μέθοδοι Προεπεξεργασίας Δεδομένων
Μελετάμε τύπους δεδομένων, μαθαίνουμε να καθαρίζουμε και να εμπλουτίζουμε δεδομένα, χρησιμοποιούμε οπτικοποίηση για προεπεξεργασία και κυριαρχούμε στη μηχανική χαρακτηριστικών
Επιλύουμε 60+ προβλήματα για να ενισχύσουμε το θέμα
Ενότητα 3 - Παλινδρόμηση
Κατακτούμε τη γραμμική και λογιστική παλινδρόμηση, μελετάμε τα όρια εφαρμογής, αναλυτικά συμπεράσματα και τακτοποίηση. Μοντέλα παλινδρόμησης εκπαίδευσης
Επιλύουμε 40+ προβλήματα για να ενισχύσουμε το θέμα
Ενότητα 4 - Ομαδοποίηση
Κατακτούμε τη μάθηση χωρίς δάσκαλο, εξασκούμε τις διάφορες μεθόδους της, εργαζόμαστε με κείμενα χρησιμοποιώντας ML
Επιλύουμε 50+ προβλήματα για να ενισχύσουμε το θέμα
Ενότητα 5 - Αλγόριθμοι βασισμένοι σε δέντρα: εισαγωγή στα δέντρα
Ας εξοικειωθούμε με τα δέντρα αποφάσεων και τις ιδιότητές τους, τα κύρια δέντρα από τη βιβλιοθήκη sklearn και ας χρησιμοποιήσουμε δέντρα για να λύσουμε ένα πρόβλημα παλινδρόμησης
Επιλύουμε 40+ προβλήματα για να ενισχύσουμε το θέμα
Ενότητα 6 - Αλγόριθμοι που βασίζονται σε δέντρα: σύνολα
Μελετάμε τα χαρακτηριστικά των συνόλων δέντρων, εξασκούμαστε στην ενίσχυση, χρησιμοποιούμε το σύνολο για να δημιουργήσουμε λογιστική παλινδρόμηση
Επιλύουμε 40+ προβλήματα για να ενισχύσουμε το θέμα
Συμμετέχουμε σε διαγωνισμό στο kaggle για την εκπαίδευση ενός μοντέλου με βάση το δέντρο
Ενότητα 7 - Αξιολόγηση της Ποιότητας των Αλγορίθμων
Μελετάμε τις αρχές του διαχωρισμού δειγμάτων, της υπο-και υπερπροσαρμογής, αξιολογούμε μοντέλα χρησιμοποιώντας διάφορες μετρήσεις ποιότητας, μαθαίνουμε να οπτικοποιούμε τη διαδικασία εκμάθησης
Αξιολόγηση της ποιότητας πολλών μοντέλων ML
Επιλύουμε 40+ προβλήματα για να ενισχύσουμε το θέμα
Ενότητα 8 - Χρονικές Σειρές στη Μηχανική Εκμάθηση
Ας εξοικειωθούμε με την ανάλυση χρονοσειρών στο ML, τα κύρια γραμμικά μοντέλα και το XGBoost, ας μελετήσουμε τις αρχές της διασταυρούμενης επικύρωσης και της επιλογής παραμέτρων
Επιλύουμε 50+ προβλήματα για να ενισχύσουμε το θέμα
Ενότητα 9 - Συστήματα Προτάσεων
Μελετάμε μεθόδους για την κατασκευή συστημάτων συστάσεων, κυριαρχούμε στον αλγόριθμο SVD, αξιολογούμε την ποιότητα των προτάσεων του εκπαιδευμένου μοντέλου
Επιλύουμε 50+ προβλήματα για να ενισχύσουμε το θέμα
Ενότητα 10 - Τελικός Hackathon
Εφαρμόζουμε όλες τις μεθόδους που μελετήθηκαν για να επιτύχουμε τη μέγιστη ακρίβεια των προβλέψεων μοντέλων στο Kaggle