Математика для Data Science. 3 часть. Методы оптимизации и алгоритмы анализа данных [2020] [Специалист]

Математика для Data Science. 3 часть. Методы оптимизации и алгоритмы анализа данных
Специалист

Профессия Data Scientist становится одной из самых перспективных и востребованных в IT. Для успешной работы в этой области необходимы знания разделов высшей математики, таких как теория вероятности и математическая статистика.

Цель курса: основные разделы методов оптимизации и алгоритмов анализа данных, необходимые для успешного применения в области Data Science.

Курс рекомендован начинающим специалистам в области Data Science. По окончании курса Вы сможете использовать полученные знания по методам оптимизации и алгоритмам анализа данных для старта в области Data Science.

По окончании курса Вы будете уметь:
1. Использовать полученные знания по методам оптимизации и алгоритмам анализа данных для старта в области Data Science.

Специалисты, обладающие этими знаниями и навыками, в настоящее время крайне востребованы. Большинство выпускников наших курсов делают успешную карьеру и пользуются уважением работодателей.

Спойлер: Содержание

Модуль 1. Методы оптимизации

• Основные понятия, определения, предмет
• Непрерывность, гладкость и сходимость ЦФ. Дискретные ЦФ
• Условная и безусловная оптимизация
• Методы однокритериальной оптимизации
• Постановка задачи многокритериальной оптимизации
• Методы многокритериальной оптимизации
• Градиентный спуск
• Стохастические методы оптимизации

Модуль 2. Алгоритмы анализа данных

• Алгоритм линейной регрессии. Градиентный спуск
• Масштабирование признаков. L1- и L2-регуляризация. Стохастический градиентный спуск
• Логистическая регрессия
• Алгоритм построения дерева решений. Случайный лес
• Градиентный бустинг
• Разбор алгоритма обратного распространения ошибки

Модуль 3. Итоговая работа

• Применение изученных разделов методов оптимизации и алгоритмов анализа данных на общем примере (Jupiter notebook). Проект.

Продажник