Μαθηματικά για Επιστήμη Δεδομένων. Μέρος 3. Μέθοδοι βελτιστοποίησης και αλγόριθμοι ανάλυσης δεδομένων - μάθημα 32.490 RUB. από Ειδικός, εκπαίδευση 40 ακαδημαϊκών ωρών, ημερομηνία 15 Μαΐου 2023.
μικροαντικείμενα / / December 03, 2023
Επαγγελματίας καθηγητής μαθημάτων προγραμματισμού, πιστοποιημένος προγραμματιστής Python Institute με γενική εργασιακή εμπειρία στον τομέα της πληροφορικής περισσότερα από 20 χρόνια. Κατασκευάστηκαν συστήματα πληροφορικής σε 4 εταιρείες από την αρχή. Περισσότερο από 5 χρόνια.
Ο Vadim Viktorovich αποφοίτησε από το Ρωσικό Κρατικό Πανεπιστήμιο για τις Ανθρωπιστικές Επιστήμες το 2000 με ειδίκευση στην Πληροφορική και την Επιστήμη Υπολογιστών. Ένας πραγματικός επαγγελματίας σε θέματα διοίκησης DBMS, αυτοματοποίηση των επιχειρηματικών διαδικασιών της εταιρείας (ERP, CRM κ.λπ.), δημιουργώντας δοκιμαστικές περιπτώσεις και εκπαίδευση εργαζομένων.
Ικανός να παρακινήσει και να αιχμαλωτίσει. Είναι απαιτητικός από τους ακροατές του, πάντα έτοιμος να ξεκαθαρίσει δύσκολα σημεία. Η εκτεταμένη εμπειρία εργασίας σε πραγματικά έργα του επιτρέπει να δίνει προσοχή σε εκείνες τις λεπτομέρειες που συνήθως παραβλέπονται από τους αρχάριους προγραμματιστές.
Ενότητα 1. Μέθοδοι βελτιστοποίησης (16 ac. η.)
- Βασικές έννοιες, ορισμοί, θέμα
- Συνέχεια, ομαλότητα και σύγκλιση ψηφιακών λειτουργιών. Διακριτές ψηφιακές λειτουργίες
- Βελτιστοποίηση υπό όρους και άνευ όρων
- Μονοκριτηριακές μέθοδοι βελτιστοποίησης
- Δήλωση του προβλήματος πολυκριτηριακής βελτιστοποίησης
- Πολυκριτηριακές μέθοδοι βελτιστοποίησης
- Κλίση κατάβασης
- Μέθοδοι στοχαστικής βελτιστοποίησης
Ενότητα 2. Αλγόριθμοι ανάλυσης δεδομένων (16 ac. η.)
- Αλγόριθμος γραμμικής παλινδρόμησης. Gradient Descent
- Κλιμάκωση χαρακτηριστικών. Τακτοποίηση L1 και L2. Στοχαστική κλίση κάθοδος
- Λογιστική παλινδρόμηση
- Αλγόριθμος για την κατασκευή ενός δέντρου αποφάσεων. Τυχαίο δάσος
- Ενίσχυση κλίσης
- Ανάλυση του αλγορίθμου backpropagation
Ενότητα 3. Τελική εργασία (8 ακ. η.)
Η επιστήμη δεδομένων περιλαμβάνει ένα ευρύ φάσμα προσεγγίσεων και μεθόδων για τη συλλογή, επεξεργασία, ανάλυση και οπτικοποίηση συνόλων δεδομένων οποιουδήποτε μεγέθους. Ένας ξεχωριστός πρακτικά σημαντικός τομέας αυτής της επιστήμης είναι η εργασία με μεγάλα δεδομένα χρησιμοποιώντας νέες αρχές μαθηματική και υπολογιστική μοντελοποίηση, όταν οι κλασικές μέθοδοι παύουν να λειτουργούν λόγω της αδυναμίας τους απολέπιση. Αυτό το μάθημα έχει σχεδιαστεί για να βοηθήσει τον μαθητή να μάθει τα βασικά της θεματικής περιοχής μέσω διατύπωσης και επίλυση τυπικών προβλημάτων που μπορεί να συναντήσει ένας ερευνητής της επιστήμης δεδομένων δουλειά. Για να διδάξουν τον μαθητή να επιλύει τέτοια προβλήματα, οι συγγραφείς του μαθήματος παρέχουν στον φοιτητή το απαραίτητο θεωρητικό ελάχιστο και δείχνουν πώς να χρησιμοποιεί τη βάση εργαλείων στην πράξη.
4,2