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. 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.