Специалист Математика для Data Science. 3 часть. Методы оптимизации и алгоритмы анализа данных
О курсе
Подробнее
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.
Результат
Что вы получите
- использовать полученные знания по методам оптимизации и алгоритмам анализа данных для старта в области Data Science.
Содержание
3 занятияПрограмма курса
№ТемаЧто внутри
01Модуль 1. Методы оптимизации (16 ак. ч.)
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
02Модуль 2. Алгоритмы анализа данных (16 ак. ч.)
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
03Модуль 3. Итоговая работа (8 ак. ч.)
Применение изученных разделов методов оптимизации и алгоритмов анализа данных на общем примере (Jupiter notebook). Проект.
01Модуль 1. Методы оптимизации (16 ак. ч.)
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
02Модуль 2. Алгоритмы анализа данных (16 ак. ч.)
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
03Модуль 3. Итоговая работа (8 ак. ч.)
Применение изученных разделов методов оптимизации и алгоритмов анализа данных на общем примере (Jupiter notebook). Проект.
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Математика для Data Science. 3 часть. Методы оптимизации и алгоритмы анализа данных» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Направления:Data science
Информация обновлена 20 июля 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
