Robot
Складчик
- #1
[Projector] Линейная Алгебра для Data Science [Ян Цибулькин]
- Ссылка на картинку
Уровень курса: Basic (Новичок)
Математика лежит в основе всех без исключения прикладных наук. Современные технологии машинного обучения особенного сильно опираются на несколько разделов математики, из которых Линейную Алгебру можно смело поставить на первое место.
Линейная алгебра является важнейшим фундаментом многих компьютерных наук, включая Data Science, Computer Vision, Natural Language Processing и т.д. К сожалению, именно этот предмет зачастую преподается с большим отрывом от прикладных задач.
Начнем с линейных пространств и вспомним, как наборы данных можно представить в виде множества векторов в многомерном векторном пространстве. Рассмотрим типичные задачи в 2D и 3D пространствах. Вспомним матрицы и для чего они нужны. Рассмотрим применение линейной алгебры в алгоритмах SVM, линейной регрессии, сокращении размерности пространств. Рассмотрим основы 3D/2D преобразований в задачах компьютерного зрения.
Кому будет полезно:
— Программистам, желающим заполнить существующие пробелы в знаниях и подтянуть математику;
— Начинающим разработчикам, которые хотят получить крепкий фундамент для изучения Data Science и Machine Learning.
Необходимый уровень для поступления на курс — уверенное владение математикой на школьном уровне. Знание языков программирования не обязательно.
Математика лежит в основе всех без исключения прикладных наук. Современные технологии машинного обучения особенного сильно опираются на несколько разделов математики, из которых Линейную Алгебру можно смело поставить на первое место.
Линейная алгебра является важнейшим фундаментом многих компьютерных наук, включая Data Science, Computer Vision, Natural Language Processing и т.д. К сожалению, именно этот предмет зачастую преподается с большим отрывом от прикладных задач.
Начнем с линейных пространств и вспомним, как наборы данных можно представить в виде множества векторов в многомерном векторном пространстве. Рассмотрим типичные задачи в 2D и 3D пространствах. Вспомним матрицы и для чего они нужны. Рассмотрим применение линейной алгебры в алгоритмах SVM, линейной регрессии, сокращении размерности пространств. Рассмотрим основы 3D/2D преобразований в задачах компьютерного зрения.
Кому будет полезно:
— Программистам, желающим заполнить существующие пробелы в знаниях и подтянуть математику;
— Начинающим разработчикам, которые хотят получить крепкий фундамент для изучения Data Science и Machine Learning.
Необходимый уровень для поступления на курс — уверенное владение математикой на школьном уровне. Знание языков программирования не обязательно.
Зарегистрируйтесь
, чтобы посмотреть скрытый авторский контент.