Matemātika datu zinātnei. 3. daļa. Optimizācijas metodes un datu analīzes algoritmi - kurss RUB 32 490. no Speciālists, apmācība 40 akadēmiskās stundas, datums 15.05.2023.
Literārs Mistrojums / / December 03, 2023
Profesionāls programmēšanas kursu pasniedzējs, sertificēts izstrādātājs Python institūts ar vispārēju darba pieredzi IT jomā vairāk nekā 20 gadus. Izbūvētas IT sistēmas 4 uzņēmumos no nulles. Vairāk par 5 gadi.
Vadims Viktorovičs absolvējis Krievijas Valsts humanitāro zinātņu universitāti 2000. gadā ar specializāciju informātikā un datorzinātnēs. Īsts profesionālis administrācijas jautājumos DBVS, uzņēmuma biznesa procesu automatizācija (ERP, CRM utt.), veidojot pārbaudes gadījumus un apmācot darbiniekus.
Spēj motivēt un aizraut. Viņš ir prasīgs pret klausītājiem, vienmēr gatavs noskaidrot sarežģītos jautājumus. Liela pieredze darbā ar reāliem projektiem ļauj viņam pievērst uzmanību tām detaļām, kuras iesācēju izstrādātāji parasti neievēro.
1. modulis. Optimizācijas metodes (16 ac. h.)
- Pamatjēdzieni, definīcijas, priekšmets
- Digitālo funkciju nepārtrauktība, gludums un konverģence. Diskrētas digitālās funkcijas
- Nosacīta un beznosacījumu optimizācija
- Viena kritērija optimizācijas metodes
- Daudzkritēriju optimizācijas problēmas izklāsts
- Daudzkritēriju optimizācijas metodes
- Gradienta nolaišanās
- Stohastiskās optimizācijas metodes
2. modulis. Datu analīzes algoritmi (16 ac. h.)
- Lineārās regresijas algoritms. Gradienta nolaišanās
- funkciju mērogošana. L1- un L2-regularizācija. Stohastiskā gradienta nolaišanās
- Loģistiskā regresija
- Algoritms lēmumu koka konstruēšanai. Nejaušs mežs
- Gradienta palielināšana
- Backpropagation algoritma analīze
3. modulis. Nobeiguma darbs (8 ak. h.)
Datu zinātne ietver plašu pieeju un metožu klāstu jebkura izmēra datu kopu vākšanai, apstrādei, analīzei un vizualizēšanai. Atsevišķa praktiski svarīga šīs zinātnes joma ir darbs ar lielajiem datiem, izmantojot jaunus principus matemātiskā un skaitļošanas modelēšana, kad klasiskās metodes pārstāj darboties to neiespējamības dēļ mērogošana. Šis kurss ir paredzēts, lai palīdzētu studentam apgūt mācību priekšmeta pamatus, formulējot un risinot tipiskas problēmas, ar kurām var saskarties datu zinātnes pētnieks strādāt. Lai iemācītu studentam risināt šādas problēmas, kursa autori nodrošina studentam nepieciešamo teorētisko minimumu un parāda, kā izmantot rīku bāzi praksē.
4,2