Курсы математики Днепр

Преподаватели центра: Ведущий методист:  Мациевский Николай,  МФТИ (прикладная математика и физика).... На цьому курсі ви навчитеся мові запитів SQL та дизайнувати бази даних. Курс включає в себе вивчення синтаксису SQL, створення, змінення та видалення даних та таблиць, індекси, складні запити та повнотекстовий пошук, вкладені запити. Курс містить 60 окремих уроків, 13 практикумів, 7 самостійних робіт для закріплення матеріалу та 30 задач-тренажерів. Вашим курсовим проектом буде дизайн бази даних для веб-додатка.

Просмотреть этот курс Учебные и академические дисциплины Математика Дискретная математика Просмотреть... Курс "Введення в теорію формальних автоматів" допоможе вам ознайомитися з основними поняттями формальних автоматів та їх використанням в індустрії штучного інтелекту. Ви дізнаєтеся про класифікацію автоматів за класом формальних мов, які вони можуть розпізнавати, та про їх використання для створення чат-ботів. Курс містить вводну частину, основну частину з практичними прикладами та теми, такі як математичне визначення конечного автомата, таблиця переходів автомата, граф переходів автомата, детермінований та недетермінований автомати, мінімізація та детермінізація конечних автоматів тощо. Курс підходить для розробників програмного забезпечення, програмістів та архітекторів.

Ця спеціалізація допомагає побудувати основний матеріал для використання математики як інструменту для моделювання, розуміння та інтерпретації світу навколо нас. Це досягається шляхом вивчення функцій, їх властивостей та застосування до аналізу даних. Концепції попередньої математики надають набір інструментів для того, щоб учень міг почати свою наукову кар'єру, підготовляючи його до майбутніх наукових та курсів з калькулюсу. Ця спеціалізація призначена для всіх учнів, а не тільки для тих, хто зацікавлений у подальших курсах математики. Ті, хто зацікавлений у природничих науках, комп'ютерних науках, психології, соціології або подібних галузях, дійсно скористаються цим вступним курсом, застосовуючи навички, набуті в своїй дисципліні, для аналізу та інтерпретації свого предметного матеріалу. Учні будуть представлені не тільки новими ідеями, але й новими застосуваннями старої теми. Реальні дані, набори вправ та регулярні оцінки допомагають мотивувати та закріплювати вміст цього курсу, що призводить до навчання та володіння матеріалом.

Преподаватели центра: Ведущий методист:  Мациевский Николай,  МФТИ (прикладная математика и физика).... На цьому курсі ви навчитеся програмуванню на мові Python та навчитеся працювати з даними для самостійного аналізу. Курс включає в себе введення та виведення даних, арифметичні операції, цикли, робота зі строками та масивами, функції та словники, модулі для візуалізації та аналізу даних. Курс містить 62 окремих уроки, 14 практикумів, 8 самостійних робіт для закріплення матеріалу та 35 задач-тренажерів. Вашим курсовим проектом буде аналіз обраного масиву даних. Курс також включає в себе основи роботи з Python Jupyter Notebook, роботу з файлами, модулі numpy та matplotlib. Після закінчення курсу ви зможете самостійно тренувати свої навички програмування на Python.

Курс присвячений вивченню теоретичних основ нечіткої логіки та її застосування в індустрії штучного інтелекту. Нечітка логіка є складовою частиною широкого поняття «індустрія штучного інтелекту» та є розділом математики, що узагальнює класичну логіку та теорію множин. Курс буде корисним для студентів технічних вузів, розробників та замовників технологічних рішень. Курс складається з п'яти модулів, в яких вивчаються основні поняття теорії нечітких множин та нечіткої логіки, системи управління з нечіткою логікою, логічний висновок та багато іншого. Слухачі повинні мати математичні знання на шкільному рівні.

Курс «Перцептроны» детально рассматривает перцептрон Розенблатта, который стал прообразом современных искусственных нейронных сетей. Вы научитесь создавать, настраивать и обучать простейший перцептрон. Курс включает в себя следующие темы: краткое введение в ИИ, коннекционизм, естественные нейронные сети, математические основы искусственных нейронных сетей, искусственные нейронные сети, перцептроны, задачи для перцептронов. Для успешного прохождения курса необходимы базовые знания математики на уровне 11-го класса средней школы. Курс предназначен для студентов и аспирантов технических вузов, программистов и дата-саентистов, работающих в области искусственного интеллекта или желающих переквалифицироваться на эту область, а также для всех желающих, кто стремится быть в тренде современных высоких технологий в области ИКТ.

Это чисто прикладной курс по data science и машинному обучению, никакой математики, никакой теории, только решение реальных задач с помощью pandas и мощного CatBoost.Чтобы успешно решать прикладные задачи с помощью машинного обучения, не нужно знать никакой математики, нужно уметь пользоваться конкретным инструментом. Этот инструмент – CatBoost. Вместо того, чтобы лежать под автомобилем или ковыряться в движке, мы будем сразу на нем ездить.Если хочешь научиться машинному обучению и data science на интуитивном уровне, то этот курс тебе подойдет. А уже после моего курса можно углубиться в теорию и математику, курсов по которым бесчисленное множество.Также мой курс станет отличным дополнением к более классическим курсам по data science и машинному обучению, если такие уже тобой пройдены.Мой принцип: сначала интуиция – потом теория.Этот курс лучше всего подойдет начинающим аналитикам и дата саентистам. Совсем начинающим без опыта в аналитике или программировании курс может показаться немного сложным, но попробовать можно: в начале курса я провожу чек-ап знаний по python и pandas, который по совместительству является курсом молодого бойца, и там можно научиться всему необходимому.Идеально, если есть минимальное знакомство с python или pandas. Или опыт работы с данными в Excel. Но сегодняшние инструменты настолько интуитивны, что можно попытаться разобраться и с абсолютного нуля: посмотри бесплатную вводную часть курса и реши подходит тебе или нет.

Курс допоможе засвоїти основні знання з безпеки в енергетичній галузі, включаючи використання засобів індивідуального захисту, пожежну безпеку, небезпечні речовини та їх символи. Ви дізнаєтеся про важливість безпечної робочої обстановки. Курс призначений для осіб, які розглядають кар'єру в енергетичній галузі (мають як мінімум сертифікат про закінчення середньої школи та базові знання математики), а також для працівників енергетичного сектору з досвідом роботи менше трьох років, які не мали подібної підготовки та скористаються курсом для засвоєння основних концепцій галузі. Курс складається з онлайн-лекцій, відео, читань та дискусій.

обновление: 3/2021русский Чему вы научитесь Методы расчета на прочность и жесткость Требования Знания высшей математики... У цьому курсі розглядаються основні уявлення про роботу конструкційних матеріалів під навантаженням. Надається уявлення про міцність хрупких та пластичних матеріалів. Вводяться основні гіпотези та припущення, що дозволяють побудувати модель конструкційного матеріалу. Визначаються основні параметри, що характеризують конструкційний матеріал та обговорюються способи їх визначення. Розглядається ряд прикладів та "мислених" експериментів, що ілюструють поведінку матеріалів та інженерних конструкцій з них під статичними навантаженнями. Методи розрахунку на міцність та жорсткість.

и другие метрики Полиномиальная и нелинейная регрессия Логистическая регрессия Требования Школьная математика... Внимание: для доступа к курсам ITtensive на Udemy напишите, пожалуйста, на [email protected] с названием курса или группы курсов, которые хотите пройти.Работа с большими данными и задачами искусственного интеллекта требует особого подхода - подхода машинного обучения. В этом курсе мы последовательно пройдем все этапы работы с данными: от видов задач и их постановки до работы с моделями машинного обучения для минимизации предсказательной ошибки.Дополнительно рассмотрим фундаментальные основы построения моделей машинного обучения, базовые метрики и наиболее простые модели – линейную и логистическую регрессии.В курсе изучается:Классификация задач машинного обучения.Процесс машинного обучения: ETL, EDA, подготовка данных, обучение модели.Особенности обучения модели: выборки, переобучение и гиперпараметры.Оптимизация гиперпараметров жадным поиском, через гиперкуб и парзеновские деревья.Отличия переобученной модели и недообученной, практики оптимального обучения.Работа с форматов хранения данных - HDF5.«Проклятье» большой размерности.Подходы к простым моделям машинного обучения: метод максимального правдоподобия и метод наименьших квадратов, среднеквадратичная ошибка.Подходы к заполнению пропусков в данных: интерполяция и экстраполяция.Метрики задач регрессии: эвклидово расстояние, расстояние городских квадратов, Чебышева и Минковского.Линейная регрессия с регуляризацией и без.Изотоническая регрессия.Критерии выбора сложности модели: BIC и AIC.Линеаризуемая и полиномиальная регрессия.Логистическая регрессия.После завершения курса вы сможете организовывать процесс разработки моделей машинного обучения и перейти к более глубокому и прикладному изучению тему машинного обучения.Курс является вводным (базовым) и подойдет широкому кругу слушателей: от руководителей до разработчиков.Основные задачи машинного обучения:1) Задача регрессии – прогноз на основе выборки объектов с различными признаками. На выходе должно получиться вещественное число (2, 35, 76.454 и др.), к примеру цена квартиры, стоимость ценной бумаги по прошествии полугода, ожидаемый доход магазина на следующий месяц, качество вина при слепом тестировании.2) Задача классификации – получение категориального ответа на основе набора признаков. Имеет конечное количество ответов (как правило, в формате «да» или «нет»): есть ли на фотографии кот, является ли изображение человеческим лицом, болен ли пациент раком.3) Задача кластеризации – распределение данных на группы: разделение всех клиентов мобильного оператора по уровню платёжеспособности, отнесение космических объектов к той или иной категории (планета, звёзда, чёрная дыра и т. п.).4) Задача уменьшения размерности – сведение большого числа признаков к меньшему (обычно 2–3) для удобства их последующей визуализации (например, сжатие данных).5) Задача выявления аномалий – отделение аномалий от стандартных случаев. На первый взгляд она совпадает с задачей классификации, но есть одно существенное отличие: аномалии – явление редкое, и обучающих примеров, на которых можно натаскать машинно обучающуюся модель на выявление таких объектов, либо исчезающе мало, либо просто нет, поэтому методы классификации здесь не работают. На практике такой задачей является, например, выявление мошеннических действий с банковскими картами.

Курс "Essential" предназначен для новичков в программировании, которые умеют работать с примитивными типами, понимают машинную математику, логику и готовы изучать объектно-ориентированное программирование.

Преподаватели центра: Ведущий методист:  Мациевский Николай,  МФТИ (прикладная математика и физика).... Курс розрахований на аналітиків Python, які вивчають машинне навчання. У курсі розглядаються фундаментальні та прикладні підходи до класифікації даних з використанням машинного навчання для страхового скорингу Prudential в змаганні на Kaggle. Курс складається з двох частин. У першій частині розглядаються всі етапи роботи з даними, від видів задач та їх постановки до роботи з моделями машинного навчання для мінімізації помилок передбачення. У другій частині на практиці розглядаються метрики класифікації, очищення даних, кластеризація даних, метод ближніх сусідів, метод опорних векторів, дерево прийняття рішень, градієнтний бустинг, ансамбль стекінгу для голосування та вибору кращого результату. Курс містить 9 відеоуроків, повний пожиттєвий доступ та сертифікат.

Преподаватели центра: Ведущий методист:  Мациевский Николай,  МФТИ (прикладная математика и физика).... Курс розрахований на аналітиків Python, які вивчають машинне навчання. В курсі розглядаються теоретичні та практичні аспекти використання лінійної регресії для передбачення числових показників споживання енергії ASHRAE в конкурсі на Kaggle. Курс складається з двох частин. У першій частині розглядаються всі етапи роботи з даними, від постановки задачі до роботи з моделями машинного навчання для мінімізації помилки передбачення. У другій частині курсу розглядаються практичні аспекти аналізу даних, включаючи ETL-процес, EDA, лінійну регресію, оптимізацію та ансамблювання моделей. Курс містить 7,5 годин відео та надає повний пожиттєвий доступ до матеріалів. Також передбачений сертифікат про успішне завершення курсу.

Преподаватели центра: Ведущий методист:  Мациевский Николай,  МФТИ (прикладная математика и физика).... Курс розрахований на аналітиків Python, які вивчають машинне навчання. У курсі розглядається сегментація та класифікація зображень хмар за допомогою згорткових, пірамідальних, залишкових та повнозв'язних нейронних мереж у змаганні на Kaggle. Курс поділений на 2 частини. У першій частині ми послідовно пройдемо всі етапи роботи з даними: від видів задач та їх постановки до роботи з моделями машинного навчання для мінімізації передбачувальної помилки. У другій частині розглянемо на практичних прикладах проведення дослідницького аналізу даних для пошуку залежностей, метрики точності, очищення даних та обробки зображень, завантаження та збереження моделей та даних в HDF5, нейронні мережі зі згортковими шарами та шарами підвибірки, функції активації, ініціалізація та оптимізатори нейронних мереж, перетворення та доповнення (аугментація) бінарних даних, ансамбль нейронних мереж тощо. Курс містить 11,5 годин відео та дає можливість отримати сертифікат.

На канікулах ви маєте змогу поліпшити свою англійську, побувати в ролі журналіста, навчитися створювати красиві дрібниці своїми руками, поринути у світ цікавої науки та пізнавальної математики, а також освоїти комп'ютерну графіку. І все це в курсі "Цікаві канікули". Якщо у вас будуть виникати якісь питання зі змісту уроків, то вчителі вам обов’язково дадуть відповіді в чаті. Перевірочні роботи проводяться у вигляді тестів наприкінці кожного уроку.Термін доступу до матеріалів курсу: після оплати 35 днів. Підготовка розрахована на учнів 5-9 класів.