Russian Courses
Бесплатно

Математический анализ для машинного обучения и науки о данных (Курс 2)

Превью: 1.1. Введение в курс

Зарегистрируйтесь для доступа ко всем 60 урокам курса.

Регистрация Войти

Выберите урок для просмотра

Содержание курса

Хотите смотреть этот курс?

Зарегистрируйтесь бесплатно, чтобы получить доступ ко всем урокам этого курса.

Регистрация Уже есть аккаунт? Войти

  • 1. 1.1. Введение в курс

  • 2. 1.2. Заметка о программировании

  • 3. 1.4. Мотивация к изучению Machine Learning

  • 4. 1.5. Введение в Деривативы

  • 5. 1.6. Производные и касательные

  • 6. 1.7. Наклоны, Максимумы и Минимумы

  • 7. 1.10. Обозначение производной

  • 8. 1.11. Некоторые общие производные и прямые

  • 9. 1.12. Некоторые общие производные и квадратичные функции

  • 10. 1.13. Некоторые общие производные и многочлены высокой степени

  • 11. 1.14. Некоторые общие производные и другие степени функций

  • 12. 1.16. Обратная функция и её производная

  • 13. 1.17. Производная тригонометрических функций

  • 14. 1.18. Суть экспоненциальной функции E

  • 15. 1.19. Производная e в степени x

  • 16. 1.20. Производная от логарифма X

  • 17. 1.21. Существование производной

  • 18. 1.22. Свойства производной и умножение на скаляр

  • 19. 1.23. Свойства производной: правило суммы

  • 20. 1.24. Свойства производной: правило произведения

  • 21. 1.25. Свойства производной и правило цепочки

  • 22. 1.29. Введение в оптимизацию

  • 23. 1.30. Оптимизация квадратного отклонения: задача одной линии электропередачи

  • 24. 1.31. Оптимизация квадратных потерь: задача трёх линий электропередач

  • 25. 1.31. Оптимизация квадратичных потерь: задача двух линий электропередач

  • 26. 1.32. Оптимизация Log Loss. Часть 1

  • 27. 1.33. Оптимизация Log Loss часть 2

  • 28. 1.38. Заключение

  • 29. 2.1. Касательные плоскости

  • 30. 2.2. Частные производные Часть 1

  • 31. 2.3. Частные производные, часть 2

  • 32. 2.4. Градиенты

  • 33. 2.5. Градиенты и Максима Минима

  • 34. 2.6. Оптимизация с градиентами: пример

  • 35. 2.7. Оптимизация с помощью градиентов: аналитический метод

  • 36. 2.10. Оптимизация с помощью градиентного спуска в одномерном случае. Часть 1

  • 37. 2.11. Оптимизация с использованием Gradient Descent для одной переменной, часть 2

  • 38. 2.12. Оптимизация с использованием градиентного спуска в одной переменной Часть 3

  • 39. 2.14. Оптимизация с помощью градиентного спуска в двух переменных Часть 1

  • 40. 2.15. Оптимизация методом градиентного спуска для двух переменных. Часть 2

  • 41. 2.17. Оптимизация с помощью градиентного спуска и метода наименьших квадратов

  • 42. 2.18. Оптимизация с использованием градиентного спуска. МНК с множественными наблюдениями

  • 43. 2.21. Заключение

  • 44. 3.1. Регрессия с Перцептроном

  • 45. 3.2. Регрессия с функцией потерь персептрона

  • 46. 3.3. Регрессия с Перцептроном и Градиентным Спуском

  • 47. 3.5. Классификация с Перцептроном

  • 48. 3.6. Классификация с перцептроном. Сигмоидальная функция

  • 49. 3.7. Классификация с перцептроном и градиентным спуском

  • 50. 3.8. Классификация с перцептроном, вычисление производных

  • 51. 3.10. Классификация с нейронной сетью

  • 52. 3.11. Классификация с использованием нейронной сети и минимизация Log Loss

  • 53. 3.12. Градиентный спуск и обратное распространение

  • 54. 3.14. Метод Ньютона

  • 55. 3.15. Метод Ньютона: пример

  • 56. 3.16. Вторая производная

  • 57. 3.18. Гессиан

  • 58. 3.19. Гессианы и выпуклость

  • 59. 3.20. Метод Ньютона для переменных

  • 60. 3.25. Заключение

Скачать курс по Машинное обучение. Математический анализ для машинного обучения и науки о данных (Курс 2)

Нужен архив курса целиком?

Мы отправим ссылку на полный архив с оригиналом, переводом и материалами. Просто напишите администратору info@russiancourses.net и укажите, что именно нужно (можем поделиться вариантами отдельно).

Пропущены номера уроков?

Если в нумерации есть паузы, значит часть занятий текстовые или в виде файлов. Их можно найти в разделе «Материалы курса»: скачайте архив, чтобы получить все конспекты и дополнительные задания.

Категория

Машинное обучение

Длительность

4 ч 21 мин

Уроки

60 уроков

О курсе

Освойте основы математического анализа, лежащие в основе алгоритмов машинного обучения 📈

Calculus for Machine Learning and Data Science — это второй курс из программы Mathematics for Machine Learning and Data Science, созданной DeepLearning.AI под руководством Луиса Серрано. Курс объясняет, как применять концепции анализа — производные, градиенты и оптимизацию — в машинном обучении на практике с помощью Python.
Вы научитесь:

  • 🔢 Аналитически оптимизировать функции, используемые в машинном обучении, с помощью свойств производных и градиентов
  • ⚙️ Приближённо оптимизировать функции, применяя градиентный спуск и метод Ньютона
  • 📊 Визуально интерпретировать процесс дифференцирования различных типов функций
  • 🧠 Выполнять градиентный спуск в нейронных сетях с разными функциями активации и стоимости
Почему это важно:

Без глубокого понимания основ анализа невозможно эффективно обучать модели. Производные и градиенты — ключ к тому, как алгоритмы обучаются на данных и находят оптимальные решения. Этот курс поможет вам интуитивно понять математическую механику, стоящую за процессом обучения моделей, и применять её на практике.
Вы приобретёте навыки в:

  • 🧮 Оптимизации функций
  • 📈 Понимании градиентных методов и их геометрической интерпретации
  • 🐍 Программировании и математическом моделировании на Python
  • 🔍 Анализе поведения нейронных сетей и их функций потерь
Курс включает:

  • 🎓 3 модуля обучения с обновлённым контентом 2024 года
  • 💻 Практические лабораторные задания на Python
  • 📉 Визуализации, помогающие интуитивно понять, как работает оптимизация
  • 📜 Сертификат, подтверждающий ваши навыки в области прикладной математики
Рекомендуется: базовые знания школьной математики (функции, алгебра) и основы программирования (циклы, функции, условия, структуры данных). Все задания выполняются в Python, при этом курс знакомит с ключевыми библиотеками машинного обучения.
Итог: по завершении курса вы сможете проектировать и оптимизировать функции для моделей машинного обучения, понимать математические принципы обучения нейросетей и уверенно применять аналитические методы для улучшения производительности алгоритмов.

Источник

Открыть источник
Назад к бесплатным курсам