10 Сфер применения разложения Холецкого:

1. Линейная регрессия

2. Ridge-регрессия (ℓ₂-регуляризация)

3. Гауссовские процессы (GP)

4. Генерация многомерного нормального шума

5. Методы Ньютона и квазиньютоновские методы

6. Линейный дискриминантный анализ (LDA)

7. Калмановские фильтры и рекурсивные байесовские модели

8. Латентные переменные и вариационные автоэнкодеры (VAE)

9. Preconditioning для итеративных методов

10. Active Learning / Bayesian Optimization

ОСОБЕННОСТИ КУРСА:

• Разбор коммерческого кода действующих проектов по Data Science с сайта kaggle.com
• Способность понимать раздел "Матричная факторизация" в учебнике от Школы Анализа Данных(ШАД) Яндекс https://education.yandex.ru/handbook/ml/article/matrichnaya-faktorizaciya
• Способность начать понимать научную статью: https://arxiv.org/pdf/1111.4144
• Применения знаний на новейших моделях машинного обучения и нейросетей на сайте архив: arxiv.org/list/stat.ML/recent
• Способность понимать лекции от Воронцова К.В. http://machinelearning.ru/wiki/index.php?title=Участник:Vokov
• Глубокое понимание раздела "разложение Холецкого": http://www.machinelearning.ru/wiki/index.php?title=Аппроксимация_функции_ошибки
• Адаптация полученных знаний по математике и программированию под специфику бизнеса вашего работодателя или вашего стартапа.
• Навык выведения математических формул с нуля
• Имплементация математических формул в Python
• Глубокое понимание математики которая используется в Python
• Фундаментальное понимание алгоритма разложение Холецкого на примере множественной линейной регрессии
• Фундаментальные знания для подготовки к собеседованию в Data Science

Этот курс - лучший способ начать с нуля и стать специалистом по Машинному Обучению в Python и МАТЕМАТИКЕ!

Курс разработан с акцентом на простой и понятный вход в машинное обучение — без необходимости сразу углубляться в сложную математику. Теоретическая база вводится постепенно, по мере необходимости, что делает обучение комфортным даже для тех, кто не имеет технического образования. Многие участники с гуманитарным бэкграундом успешно проходят курс и отмечают это в своих отзывах.

Если в процессе обучения у вас возникнут вопросы, вы можете задать их в комментариях к урокам — я, как автор курса, регулярно просматриваю комментарии и с радостью помогу вам разобраться

В этом курсе Вы изучите следующие темы:

1. Основные понятия
2. Алгоритм LU разложения
3. Матрица 3х3. Система уравнение. СЛАУ. Метод Гаусса.
4. Решаем систему АХ=B. Прямой ход. Обратный ход
5. LU-разложение с поворотом. Pivoting.
6. Почему LU-разложение хуже чем Холекций?
7. Основные понятия
8. Алгоритм разложения Холецкого
9. Матрица 3х3. Система уравнение. СЛАУ.
10. Решаем систему АХ=B. Прямой ход. Обратный ход
11. np.linalg.cholesky
12. Сравнение:Normal equation, SVD, QR, Cholesky, Gradient descent
13. Блок-схема выбора алгоритма
14. Большой, малый датасэт.
15. Что такое МНК? Историческая справка.
16. Критерий Кронекера и Квадратичной формы.
17. Почему Adam и Momentum не нужен в машинном обучении?
18. Условия и рекомендуемый метод поиска весов
19. Регуляризация Тихонова, Гребневая, Ridge, применение Холецкого
20. Скорость работы алгоритма
21. Ресёрчим kaggle

и много другое!

Курс сопровождается набором Jupyter Notebook — с примерами кода и подробными пояснениями. Для каждой лекции подготовлен отдельный блокнот, структурированный по разделам курса. Это позволяет не только смотреть видео, но и быстро находить нужную информацию в текстовом виде — удобно для повторения и навигации по материалу.

Курс доступен без ограничений по времени: вы можете проходить его в удобном для себя темпе.

Присоединяйтесь к обучению и развивайте свои навыки — добро пожаловать на курс!