[Stepik Academy] Математика для Data Science (2021)

[Moderator]

Автор: Stepik Academy Название: Математика для Data Science (2021) Описание: Разберитесь, как работают технологии машинного обучения, и научитесь пользоваться ими осознанно. 1. Разобраться в теории 2. Подготовиться к собеседованию 3. Читать научные статьи 4. Полюбить математику Блок 1 - Математический анализ Модуль 1 - Одномерный математический анализ Зачем в машинном обучении нужен математический анализ Множества и функции Пределы последовательностей Пределы функций и непрерывные функции Производные Одномерный градиентный спуск Модуль 2 - Многомерный математический анализ R^n: расстояния и векторы Дифференциал и частные производные Производная по направлению и градиент Градиентный спуск Модификации градиентного спуска ( Momentum , RMSProp , Adam ) Блок 2 - Линейная алгебра Модуль 1 - Линейная алгебра Векторные пространства и линейные отображения Матрицы Нейронные сети Подпространства, базис, размерность Ранг матрицы и метод Гаусса Модуль 2 - Линейная алгебра продолжение Определитель, обратные матрицы, замена базиса Скалярное произведение, углы, расстояния Ортогональные матрицы Матричные разложения Собственные векторы и SVD Backpropagation Блок 3 - Теория вероятностей Модуль 1 - Дискретная теория вероятностей Вероятностное пространство, события, исходы Равновероятные исходы Условная вероятность, независимые события, теорема Байеса Перестановки и биномиальные коэффициенты Дискретная случайная величина, распределение, математическое ожидание, дисперсия Ряды и счётное пространство исходов Модуль 2 - Непрерывная теория вероятностей Интеграл и непрерывное пространство исходов. Непрерывная случайная величина, распределение, плотность распределения, математическое ожидание, дисперсия Закон больших чисел Центральная предельная теорема Основы статистики: статистические тесты