Matematikk for datavitenskap. Del 3. Optimaliseringsmetoder og dataanalysealgoritmer - kurs RUB 32 490. fra Spesialist, opplæring 40 akademiske timer, dato 15. mai 2023.
Miscellanea / / December 03, 2023
Profesjonell programmeringskurslærer, sertifisert utvikler Python Institute med generell arbeidserfaring innen IT-feltet mer enn 20 år. Bygget IT-systemer i 4 bedrifter fra bunnen av. Mer enn 5 år.
Vadim Viktorovich ble uteksaminert fra det russiske statsuniversitetet for humaniora i 2000 med spesialisering i informatikk og informatikk. En ekte profesjonell i administrasjonsspørsmål DBMS, automatisering av bedriftens forretningsprosesser (ERP, CRM etc.), lage testcases og lære opp ansatte.
Kunne motivere og fengsle. Han er krevende av sine lyttere, alltid klar til å avklare vanskelige punkter. Omfattende erfaring med å jobbe med ekte prosjekter lar ham ta hensyn til de detaljene som vanligvis overses av nybegynnere.
Modul 1. Optimaliseringsmetoder (16 ac. h.)
- Grunnleggende begreper, definisjoner, fag
- Kontinuitet, jevnhet og konvergens av digitale funksjoner. Diskrete digitale funksjoner
- Betinget og ubetinget optimalisering
- Enkeltkriterieoptimaliseringsmetoder
- Uttalelse av multikriteria-optimeringsproblemet
- Multikriteria optimeringsmetoder
- Gradientnedstigning
- Stokastiske optimaliseringsmetoder
Modul 2. Dataanalysealgoritmer (16 ac. h.)
- Lineær regresjonsalgoritme. Gradient Nedstigning
- Skalering av funksjoner. L1- og L2-regularisering. Stokastisk gradientnedstigning
- Logistisk regresjon
- Algoritme for å konstruere et beslutningstre. Tilfeldig skog
- Gradientforsterkning
- Analyse av tilbakepropageringsalgoritmen
Modul 3. Avsluttende arbeid (8 ac. h.)
Datavitenskap inkluderer et bredt spekter av tilnærminger og metoder for å samle inn, behandle, analysere og visualisere datasett av alle størrelser. Et eget praktisk viktig område av denne vitenskapen er å jobbe med store data ved å bruke nye prinsipper matematisk og beregningsmessig modellering, når klassiske metoder slutter å virke på grunn av deres umulighet skalering. Dette kurset er laget for å hjelpe studenten å lære det grunnleggende innen fagområdet gjennom formulering og løse typiske problemer som en datavitenskapsforsker kan støte på i hans eller henne arbeid. For å lære studenten å løse slike problemer, gir forfatterne av emnet studenten det nødvendige teoretiske minimumet og viser hvordan man kan bruke verktøygrunnlaget i praksis.
4,2