Корзина покупок пуста.
Вы можете выбрать товар из Каталога.
Вы можете выбрать товар из Каталога.
Артикул: R75429
Наличие товара: В наличии
Бесплатная
Доставка
Доставка
Гарантия
Возврата
Возврата
Онлайн
Поддержка
Поддержка
545 рублей
![[?IMG]](proxy.php?image=https%3A%2F%2Fc.radikal.ru%2Fc24%2F2102%2Fcc%2F7404698da06f.jpg&hash=da0d84d5fd12c3c77bb4f971cae9672b&v=4)
? Основы Python, математики и статистики для подготовки к профессии Data Scientist и основному курсу Школы Данных. Если Вы хотите изучать машинное обучение и анализ данных, но у Вас не хватает знаний Python и математики, то Вам на этот курс. Мы разберем все, что Вам необходимо знать, чтобы проходить обучение профессии Data Scientist: линейную алгебру, методы оптимизации, статистику и Python
Количество занятий: 6 занятий
Формат обучения: онлайн
Преподаватели: Сергей Марин и Александр Крот
Программа курса :
1 занятие - Оптимизация
- Задачи нелинейного программирования (одномерный и многомерный случай)
- Задачи с ограничениями-неравествами
- Критерий оптимальности: теорема Куна-Таккера
- Различные формы задач линейного программирования
- Численные методы оптимизация
- Понятие события и вероятности
- Элементы комбинаторики
- Основные теоремы в теории вероятности
- Формула Байеса
- Случайные величины и их характеристики
- Предельные теоремы
- Выборочные распределения
- Интервальные оценки
- Статистическая проверка гипотез
3 занятие - Линейная Алгебра
- Множества и операции над ними
- Матрицы и операции над ними (линейные, умножение, транспонирование)
- Элементарные преобразования матриц (метод Гаусса)
- Определители и их свойства
- Получение обратной матрицы
- Системы линейных алгебраических уравнений
- Методы разложения матриц
- Настройка среды: установка Anaconda
- Обзор Jupyter Notebook
- Обзор стандартной библиотеки
- Типа обьектов и работа с ними
- Операторы, условные конструкции и циклы
- Работа с последовательностями, таблицами
- Алгоритмическая сложность
- Основные структуры данных
- Основные алгоритмы Computer Science
- Библиотеки для анализа данных: numpy, scipy, pandas, scikit-learn, matplotlib, seaborn
- Введение в анализ графов
- Основные понятия теории графов
- Алгоритмы обхода графов
- Продвинутые алгоритмы на графах
- Выделение лидеров мнений в сетях
- Обзор инструментов для работы с графами - библиотека networkx
- Обзор современных задач обработки естесственного языка
- Обзор подходов к анализу текстов
- Работа с текстовыми данными в Python
- Извлечение сущностей из текста (Named Entity Recognition)
- Классификация текстов, определение (Sentiment Analysis)
