Этот курс поможет освоить математические основы, которые нужны для создания и оптимизации ML-моделей.
Ты разберёшься в теоретических аспектах основных математических областей, таких как линейная алгебра, математический анализ, оптимизация, статистика и теория вероятностей, и узнаешь, как они применяются в реальных задачах машинного обучения.
Фича курса. За время курса ты через призму машинного обучения увидишь, как изученные математические концепты реализуются в коде, попрактикуешься программировать на Python и даже напишешь свою первую нейросеть.
1 предзаписанная лекция и 2 пары в неделю.
Курс разбит на 4 части: линейную алгебру, дифференцирование, методы оптимизации и теорию вероятностей. Ты разберёшься в базовых терминах из математики, которые активно используются при изучении ML.
| Блок 1 | Линейная алгебра |
|---|---|
| 1.1 | Матрицы и векторы, начало |
| 1.2 | Матрицы и векторы, продолжение. Пространства |
| 1.3 | Решение системы линейных уравнений |
| 1.4 | Матричные разложения |
| Блок 2 | Дифференцирование |
| 2.1 | Производная и градиент |
| 2.2 | Выпуклый анализ |
| 2.3 | Дифференциал |
| 2.4 | Граф вычислений |
| 2.5 | Тензорные вычисления с помощью дифференциалов |
| Блок 3 | Методы оптимизации |
| 3.1 | Методы оптимизации первого порядка, начало |
| 3.2 | Методы оптимизации первого порядка, продолжение |
| 3.3 | Методы оптимизации второго порядка |
| 3.4 | Условная оптимизация |
| Блок 4 | Теория вероятностей |
| 4.1 | Основы теории вероятностей |
| 4.2 | Теория вероятностей в ML |
Ты научишься: