Matematika pro datovou vědu. Část 3. Optimalizační metody a algoritmy analýzy dat - kurz 32 490 RUB. od specialisty, školení 40 akademických hodin, datum 15. května 2023.
Různé / / December 03, 2023
Profesionální učitel kurzů programování, certifikovaný vývojář Python Institute se všeobecnými pracovními zkušenostmi v oblasti IT více než 20 let. Vybudované IT systémy ve 4 společnostech od nuly. Více než 5 let.
Vadim Viktorovič vystudoval v roce 2000 Ruskou státní univerzitu humanitních věd se specializací na informatiku a informatiku. Skutečný profesionál v administrativních záležitostech DBMS, automatizace firemních obchodních procesů (ERP, CRM atd.), vytváření testovacích případů a školení zaměstnanců.
Umí motivovat a zaujmout. Je náročný na své posluchače, vždy připraven objasnit obtížné body. Rozsáhlé zkušenosti s prací na skutečných projektech mu umožňují věnovat pozornost těm detailům, které začínající vývojáři obvykle přehlížejí.
Modul 1. Optimalizační metody (16 ac. h.)
- Základní pojmy, definice, předmět
- Spojitost, plynulost a konvergence digitálních funkcí. Diskrétní digitální funkce
- Podmíněná a nepodmíněná optimalizace
- Jednokriteriální optimalizační metody
- Stanovení problému multikriteriální optimalizace
- Vícekriteriální optimalizační metody
- Gradientní klesání
- Metody stochastické optimalizace
Modul 2 Algoritmy analýzy dat (16 ac. h.)
- Algoritmus lineární regrese. Gradientní sestup
- Měřítko funkcí. L1- a L2-regulace. Stochastický gradient klesání
- Logistická regrese
- Algoritmus pro konstrukci rozhodovacího stromu. Náhodný les
- Zesílení přechodu
- Analýza algoritmu zpětného šíření
Modul 3. Závěrečná práce (8 ak. h.)
Datová věda zahrnuje širokou škálu přístupů a metod pro sběr, zpracování, analýzu a vizualizaci souborů dat jakékoli velikosti. Samostatnou prakticky důležitou oblastí této vědy je práce s velkými daty pomocí nových principů matematické a výpočtové modelování, kdy klasické metody přestávají fungovat pro svou nemožnost škálování. Tento kurz je navržen tak, aby pomohl studentovi naučit se základy dané oblasti prostřednictvím formulace a řešení typických problémů, s nimiž se může výzkumník datové vědy u sebe setkat práce. Aby se student naučil takové problémy řešit, poskytnou autoři kurzu studentovi potřebné teoretické minimum a ukáží, jak využít nástrojový základ v praxi.
4,2