Matematika in strojno učenje za podatkovno znanost - tečaj 50.040 RUB. iz SkillFactory, usposabljanje 5,5 mesecev, datum: 13. avgust 2023.

Program tečaja matematike

1. del - Linearna algebra

• Preučujemo vektorje in vrste matrik
• Učenje izvajanja operacij na matricah
• Določanje linearne odvisnosti z matrikami
• Proučujemo inverzne, singularne in nesingularne matrike
• Preučujemo sisteme linearnih enačb, lastnih in kompleksnih števil
• Obvladovanje matrične in singularne dekompozicije
• Reševanje problemov linearne odvisnosti z uporabo matrik
instagram viewer
• Optimizacija z uporabo metode glavne komponente
• Okrepitev matematičnih temeljev linearne regresije

2. del - Osnove matematične analize

• Preučujemo funkcije ene in več spremenljivk ter odvode
• Obvladovanje pojma gradient in gradientni spust
• Usposabljanje optimizacijskih problemov
• Proučujemo metodo Lagrangeovih množiteljev, Newtonovo metodo in simulirano žarjenje
• Probleme napovedovanja in iskanja zmagovalne strategije rešujemo z izpeljanimi in numeričnimi optimizacijskimi metodami
• Okrepitev matematike za gradientnim spuščanjem in simuliranim žarjenjem

3. del – Osnove verjetnosti in statistike

• Preučujemo splošne koncepte deskriptivne in matematične statistike
• Obvladovanje kombinatorike
• Preučujemo glavne vrste porazdelitev in korelacije
• Razumevanje Bayesovega izreka
• Učenje naivnega Bayesovega klasifikatorja
• Rešujemo probleme kombinatorike, veljavnosti in napovedovanja s pomočjo statistike in teorije verjetnosti
• Utrjujemo matematične osnove klasifikacije in logistične regresije

4. del - Časovne vrste in druge matematične metode

• Predstavljamo analizo časovnih vrst
• Obvladovanje zahtevnejših vrst regresij
• Napovedovanje proračuna z uporabo časovnih vrst
• Okrepitev matematičnih temeljev klasičnih modelov strojnega učenja

Kratek program tečaja o strojnem učenju

Pomoč mentorja med usposabljanjem

Modul 1 – Uvod v strojno učenje

Seznanimo se z glavnimi nalogami in metodami strojnega učenja, preučimo praktične primere in uporabimo osnovni algoritem za delo na ML projektu.
Rešimo več kot 50 problemov, da utrdimo temo

Modul 2 - Metode predprocesiranja podatkov

Preučujemo tipe podatkov, učimo se čistiti in obogatiti podatke, uporabljati vizualizacijo za predprocesiranje in obvladati inženiring funkcij
Rešimo več kot 60 problemov, da utrdimo temo

Modul 3 - Regresija

Obvladamo linearno in logistično regresijo, preučujemo meje uporabnosti, analitično sklepanje in regularizacijo. Učenje regresijskih modelov
Rešujemo več kot 40 problemov, da utrdimo temo

Modul 4 - Grozdenje

Obvladamo učenje brez učitelja, vadimo njegove različne metode, delamo z besedili s pomočjo ML
Rešimo več kot 50 problemov, da utrdimo temo

Modul 5 - Drevesni algoritmi: uvod v drevesa

Spoznajmo odločitvena drevesa in njihove lastnosti, obvladajmo drevesa iz knjižnice sklearn in uporabimo drevesa za reševanje regresijskega problema
Rešujemo več kot 40 problemov, da utrdimo temo

Modul 6 - Drevesni algoritmi: ansambli

Preučujemo značilnosti drevesnih ansamblov, vadimo pospeševanje, uporabljamo ansambel za gradnjo logistične regresije
Rešujemo več kot 40 problemov, da utrdimo temo
Sodelujemo na tekmovanju na kaggle za usposabljanje drevesnega modela

Modul 7 - Ocenjevanje kakovosti algoritmov

Preučujemo principe delitve vzorca, premajhnega in prevelikega opremljanja, ocenjujemo modele z uporabo različnih metrik kakovosti, učimo se vizualizirati učni proces
Ocenjevanje kakovosti več modelov ML
Rešujemo več kot 40 problemov, da utrdimo temo

Modul 8 - Časovne vrste v strojnem učenju

Spoznajmo analizo časovnih vrst v ML, osvojimo linearne modele in XGBoost, preučimo principe navzkrižne validacije in izbire parametrov
Rešimo več kot 50 problemov, da utrdimo temo

Modul 9 - Priporočilni sistemi

Preučujemo metode za gradnjo priporočilnih sistemov, obvladamo algoritem SVD, ocenjujemo kakovost priporočil šolanega modela.
Rešimo več kot 50 problemov, da utrdimo temo

Modul 10 – Končni hackathon

Uporabljamo vse preučene metode, da pridobimo maksimalno natančnost napovedi modela na Kaggle