Matematik til datavidenskab. Del 3. Optimeringsmetoder og dataanalysealgoritmer - kursus RUB 32.490. fra Specialist, uddannelse 40 akademiske timer, dato 15. maj 2023.
Miscellanea / / December 03, 2023
Professionel programmeringskursus underviser, certificeret udvikler Python Instituttet med generel erhvervserfaring inden for IT-området mere end 20 år. Bygget IT-systemer i 4 virksomheder fra bunden. Mere end 5 år.
Vadim Viktorovich dimitterede fra det russiske statsuniversitet for humaniora i 2000 med en specialisering i informatik og datalogi. En ægte professionel i administrationsspørgsmål DBMS, automatisering af virksomhedens forretningsprocesser (ERP, CRM osv.), skabe testcases og træne medarbejdere.
Kan motivere og fængsle. Han er krævende af sine lyttere, altid klar til at afklare vanskelige punkter. Omfattende erfaring med at arbejde på rigtige projekter giver ham mulighed for at være opmærksom på de detaljer, der normalt overses af nybegyndere.
Modul 1. Optimeringsmetoder (16 ac. h.)
- Grundlæggende begreber, definitioner, emne
- Kontinuitet, glathed og konvergens af digitale funktioner. Diskrete digitale funktioner
- Betinget og ubetinget optimering
- Enkeltkriterie-optimeringsmetoder
- Redegørelse for multikriterie-optimeringsproblemet
- Multicriteria optimeringsmetoder
- Gradient nedstigning
- Stokastiske optimeringsmetoder
Modul 2. Dataanalysealgoritmer (16 ac. h.)
- Lineær regressionsalgoritme. Gradient nedstigning
- Skalering af funktioner. L1- og L2-regularisering. Stokastisk gradientnedstigning
- Logistisk regression
- Algoritme til at konstruere et beslutningstræ. Tilfældig skov
- Gradientboosting
- Analyse af backpropagation algoritmen
Modul 3. Afsluttende arbejde (8 ac. h.)
Datavidenskab omfatter en bred vifte af tilgange og metoder til indsamling, bearbejdning, analyse og visualisering af datasæt af enhver størrelse. Et separat praktisk vigtigt område af denne videnskab er at arbejde med big data ved hjælp af nye principper matematisk og beregningsmæssig modellering, når klassiske metoder holder op med at virke på grund af deres umulighed skalering. Dette kursus er designet til at hjælpe den studerende med at lære det grundlæggende i fagområdet gennem formulering og at løse typiske problemer, som en datavidenskabsforsker kan støde på i sin egen arbejde. For at lære den studerende at løse sådanne problemer, giver kursets forfattere den studerende det nødvendige teoretiske minimum og viser, hvordan man bruger værktøjsgrundlaget i praksis.
4,2