Математика и машинско учење за науку о подацима - курс 50.040 РУБ. са СкиллФацтори, обука 5,5 месеци, Датум: 13.08.2023.
мисцеланеа / / November 29, 2023
Моћи ћете да учите са било ког места у свету. Нови модули ће се отварати једном недељно. Посебно осмишљен садржај и додатни материјали ће вам помоћи да разумете тему.
Вежба се састоји из три дела: извођење једноставних рачунских вежби; извођење вежби заснованих на Питхон-у; решавање животних проблема у области анализе, предвиђања и оптимизације података.
Стално ћете комуницирати са својим колегама студентима на приватним Слацк каналима. Ако нешто не разумете или не можете да се носите са задатком, ми ћемо вам помоћи да то схватите.
На крају курса добићете посебан задатак у коме ћете моћи да примените све стечене вештине и потврдите успешно учење градива.
Програм курса математике
Део 1 - Линеарна алгебра
- Проучавамо векторе и врсте матрица
- Учење извођења операција над матрицама
- Одређивање линеарне зависности помоћу матрица
- Проучавамо инверзне, сингуларне и несингуларне матрице
- Проучавамо системе линеарних једначина, сопствених и комплексних бројева
- Овладавање матрицом и сингуларном декомпозицијом
- Решавање задатака линеарне зависности коришћењем матрица
- Оптимизација коришћењем методе главне компоненте
- Учвршћивање математичких основа линеарне регресије
2. део – Основи математичке анализе
- Проучавамо функције једне и више променљивих и извода
- Овладавање концептом градијента и градијента спуштања
- Обука у проблемима оптимизације
- Проучавамо Лагранжов метод множитеља, Њутнов метод и симулирано жарење
- Решавамо проблеме предвиђања и тражења добитне стратегије коришћењем метода деривата и нумеричке оптимизације
- Појачавање математике иза градијентног спуштања и симулираног жарења
Део 3 – Основе вероватноће и статистике
- Проучавамо опште појмове дескриптивне и математичке статистике
- Овладавање комбинаториком
- Проучавамо главне врсте дистрибуција и корелација
- Разумевање Бајесове теореме
- Учење наивног Бајесовог класификатора
- Решавамо проблеме комбинаторике, валидности и предвиђања користећи статистику и теорију вероватноће
- Консолидујемо математичке основе класификације и логистичке регресије
Део 4 – Временске серије и друге математичке методе
- Представљамо анализу временских серија
- Овладавање сложенијим типовима регресија
- Предвиђање буџета коришћењем временских серија
- Јачање математичких основа класичних модела машинског учења
Кратак програм курса о машинском учењу
Помоћ наставника током обуке
Модул 1 – Увод у машинско учење
Упознајемо се са главним задацима и методама машинског учења, проучавамо практичне случајеве и примењујемо основни алгоритам за рад на МЛ пројекту
Решавамо 50+ задатака да бисмо појачали тему
Модул 2 – Методе претходне обраде података
Проучавамо типове података, учимо да чистимо и обогаћујемо податке, користимо визуелизацију за претходну обраду и савладавамо инжењеринг карактеристика
Решавамо 60+ задатака да бисмо појачали тему
Модул 3 – Регресија
Савладавамо линеарну и логистичку регресију, проучавамо границе применљивости, аналитичко закључивање и регуларизацију. Модели регресије обуке
Решавамо 40+ задатака да бисмо појачали тему
Модул 4 – Груписање
Савладавамо учење без наставника, вежбамо његове различите методе, радимо са текстовима користећи МЛ
Решавамо 50+ задатака да бисмо појачали тему
Модул 5 – Алгоритми засновани на дрвећу: увод у дрвеће
Хајде да се упознамо са стаблима одлучивања и њиховим својствима, савладамо стабла из библиотеке склеарн и користимо дрвеће за решавање проблема регресије
Решавамо 40+ задатака да бисмо појачали тему
Модул 6 – Алгоритми засновани на дрвету: ансамбли
Проучавамо карактеристике ансамбала дрвећа, вежбамо појачавање, користимо ансамбл за изградњу логистичке регресије
Решавамо 40+ задатака да бисмо појачали тему
Учествујемо на такмичењу на кагглеу за обуку модела заснованог на дрвету
Модул 7 – Процена квалитета алгоритама
Проучавамо принципе поделе узорака, под- и претераног прилагођавања, процењујемо моделе користећи различите метрике квалитета, учимо да визуелизујемо процес учења
Процена квалитета неколико модела МЛ
Решавамо 40+ задатака да бисмо појачали тему
Модул 8 – Временске серије у машинском учењу
Хајде да се упознамо са анализом временских серија у МЛ, савладамо линеарне моделе и КСГБоост, проучимо принципе унакрсне валидације и одабира параметара
Решавамо 50+ задатака да бисмо појачали тему
Модул 9 – Системи препорука
Проучавамо методе за конструисање система препорука, савладавамо СВД алгоритам, процењујемо квалитет препорука обученог модела
Решавамо 50+ задатака да бисмо појачали тему
Модул 10 – Финални хакатон
Примењујемо све проучаване методе да бисмо добили максималну тачност предвиђања модела на Каггле-у