Wiskunde en machinaal leren voor datawetenschap - cursus RUB 50.040. van SkillFactory, training 5,5 maand, Datum: 13 augustus 2023.

Wiskunde cursusprogramma

Deel 1 - Lineaire algebra

• We bestuderen vectoren en soorten matrices
• Bewerkingen leren uitvoeren op matrices
• Bepalen van lineaire afhankelijkheid met behulp van matrices
• We bestuderen inverse, enkelvoudige en niet-singuliere matrices
• We bestuderen systemen van lineaire vergelijkingen, eigen en complexe getallen
instagram viewer
• Beheersing van matrix en enkelvoudige ontbinding
• Lineaire afhankelijkheidsproblemen oplossen met behulp van matrices
• Optimaliseren met behulp van de hoofdcomponentenmethode
• Versterking van de wiskundige grondslagen van lineaire regressie

Deel 2 - Basisprincipes van wiskundige analyse

• We bestuderen functies van één en vele variabelen en afgeleiden
• Het concept van gradiënt en gradiëntafdaling beheersen
• Training in optimalisatieproblemen
• We bestuderen de Lagrange-multipliermethode, de methode van Newton en gesimuleerd gloeien
• We lossen problemen op bij het voorspellen en zoeken naar een winnende strategie met behulp van afgeleide en numerieke optimalisatiemethoden
• Versterking van de wiskunde achter gradiëntafdaling en gesimuleerd uitgloeien

Deel 3 - Grondbeginselen van waarschijnlijkheid en statistiek

• We bestuderen de algemene concepten van beschrijvende en wiskundige statistiek
• Combinatoriek beheersen
• We bestuderen de belangrijkste soorten verdelingen en correlaties
• De stelling van Bayes begrijpen
• Een naïeve Bayes-classificator leren
• We lossen problemen op het gebied van combinatoriek, validiteit en voorspelling op met behulp van statistiek en waarschijnlijkheidstheorie
• We consolideren de wiskundige grondslagen van classificatie en logistieke regressie

Deel 4 - Tijdreeksen en andere wiskundige methoden

• Introductie van tijdreeksanalyse
• Beheersing van complexere soorten regressies
• Het voorspellen van het budget met behulp van tijdreeksen
• Versterking van de wiskundige basis van klassieke machine learning-modellen

Kort cursusprogramma over Machine Learning

Begeleiding van docenten tijdens de training

Module 1 - Inleiding tot machinaal leren

We maken kennis met de belangrijkste taken en methoden van machine learning, bestuderen praktische cases en passen het basisalgoritme toe voor het werken aan een ML-project
We lossen meer dan 50 problemen op om het onderwerp te versterken

Module 2 - Methoden voor gegevensvoorverwerking

We bestuderen datatypen, leren data opschonen en verrijken, gebruiken visualisatie voor voorbewerking en beheersen feature engineering
We lossen meer dan 60 problemen op om het onderwerp te versterken

Module 3 - Regressie

We beheersen lineaire en logistieke regressie, bestuderen de grenzen van toepasbaarheid, analytische gevolgtrekking en regularisatie. Regressiemodellen trainen
We lossen meer dan 40 problemen op om het onderwerp te versterken

Module 4 - Clustering

We beheersen het leren zonder leraar, oefenen de verschillende methoden ervan, werken met teksten met behulp van ML
We lossen meer dan 50 problemen op om het onderwerp te versterken

Module 5 - Boomgebaseerde algoritmen: inleiding tot bomen

Laten we kennis maken met beslissingsbomen en hun eigenschappen, bomen uit de sklearn-bibliotheek beheersen en bomen gebruiken om een ​​regressieprobleem op te lossen
We lossen meer dan 40 problemen op om het onderwerp te versterken

Module 6 - Boomgebaseerde algoritmen: ensembles

We bestuderen de kenmerken van boomensembles, oefenen met boosten en gebruiken het ensemble om logistische regressie op te bouwen
We lossen meer dan 40 problemen op om het onderwerp te versterken
We doen mee aan een wedstrijd op Kaggle voor het trainen van een op bomen gebaseerd model

Module 7 - Beoordeling van de kwaliteit van algoritmen

We bestuderen de principes van het splitsen van monsters, onder- en overfitting, evalueren modellen met behulp van verschillende kwaliteitsmetrieken, leren het leerproces te visualiseren
Het evalueren van de kwaliteit van verschillende ML-modellen
We lossen meer dan 40 problemen op om het onderwerp te versterken

Module 8 - Tijdreeksen in machinaal leren

Laten we kennis maken met tijdreeksanalyse in ML, lineaire modellen en XGBoost, de principes van kruisvalidatie en parameterselectie bestuderen
We lossen meer dan 50 problemen op om het onderwerp te versterken

Module 9 - Aanbevelingssystemen

We bestuderen methoden voor het construeren van aanbevelingssystemen, beheersen het SVD-algoritme en evalueren de kwaliteit van de aanbevelingen van het getrainde model
We lossen meer dan 50 problemen op om het onderwerp te versterken

Module 10 - Laatste hackathon

We passen alle bestudeerde methoden toe om maximale nauwkeurigheid van modelvoorspellingen op Kaggle te verkrijgen