Математика для Data Science

Разберитесь, как работают технологии машинного обучения, и научитесь пользоваться ими осознанно.

1. Разобраться в теории
Вы любите доходить до самой сути всего, что делаете. Вам интересно, что стоит за теми алгоритмами, которые вы применяете.

2. Подготовиться к собеседованию
Вы хотите работать в сфере Data Science и боитесь каверзных вопросов на собеседованиях? Не зря боитесь.

3. Читать научные статьи
Статьи по Data Science часто несложные по сути – но без определенной математической базы их сложно читать.

4. Полюбить математику
Мы любим математику и хотим показать вам, как она красива.

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

Название: Математика для Data Science
Год издания: 2021
Автор: Михаил Миронов, Екатерина Минеева
Жанр: Администрирование и программирование
Количество страниц: много
Формат: PDF, jpg
Язык: Русский
Размер: 146 Mb

Скачать Математика для Data Science

Скачать с Hitfile

Скачать с Turbobit

Скачать с Rapidgator

Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь.
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.

Процедура регистрации бесплатна и займет у вас всего пару минут!
После регистрации вам станет доступна информация скрытя фразой: "Внимание! У вас нет прав для просмотра скрытого текста."

Похожие новости:

Стивен Строгац - Бесконечная сила. Как математический анализ раскрывает тайны вселенной
Популяризатор науки мирового уровня Стивен Строгац предлагает обзор основных понятий матанализа и подробно рассказывает о том, как они используются в современной жизни.

Шарыгин И.Ф. - Математический винегрет
Книга известного математика-педагога, автора более 40 учебных и популярных изданий по математике. В ней представлены занимательные математические задачи, для решения которых не требуется специальных знаний.

Юджиния Ченг - Математический беспредел. От элементарной математики к возвышенным абстракциям
Можете представить себе что-нибудь огромнее Вселенной, но в то же время спокойно помещающееся в вашей голове? Что же это такое? Бесконечность!

Джоэл Грас. Data Science. Наука о данных с нуля
Книга позволяет изучить науку о данных (Data Science) и применить полученные знания на практике. Она написана так, что способствует погружению в Data Science аналитика, фактически не обладающего глубокими знаниями в этой прикладной дисциплине.

Дэви Силен, Арно Мейсман. Основы Data Science и Big Data. Python и наука о данных
Data Science - это совокупность понятий и методов, позволяющих придать смысл и понятный вид огромным объемам данных.

FAQ Как скачать?