Курс Linear Algebra (подія в архіві)

Состоялось
27 января (четверг)
Место
Online
Стоимость
6 500 грн/мес
Пойдут

Интенсивный курс по прикладной линейной алгебре для работы с Data Science и Machine Learning.

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.

Мы создали 2-месячный курс, чтобы помочь освежить основные понятия Линейной Алгебры. А также на реальных примерах посмотреть — как они работают в разнообразных современных приложениях и алгоритмах.

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.

Присоединиться можно до 27 января. По пятницам видеолекции, а по средам в 19:30 вебинары с куратором.
6 500 грн/мес. 13 000 грн при полной оплате всего курса, 6 825 грн/мес при оплате частями.
25 студентов. Каждый студент получает регулярный фидбек от куратора группы.

Деталі та реєстрація

Куратор

Ян Цибулькин

Co-founder Bldbox, Cloudozer, Symica. Выпускник факультета управления и прикладной математики Московского Физико-Технического Института.

Программа курса

1. Vectors
— Geometric properties.
— Line equation.
— Basis.
— Plane equation.

2. Normed Vector Spaces
— K-Means.
— Normalization.
— K-NN.

3. Inner product space
— Dot product properties.
— Hyperplanes.
— Hyperplanes equation comparison.
— Half-space.
— SVM.
— Kernnel trick.

4. Matrices
— Matrix operations.
— Matrix as a function.
— Inverse matrix.
— Solving linear equations.
— Matrix rank.
— Singular matrix.

5. Orthogonal Transformations
— Rotation Matrix and its properties.
— Symmetry Matrix.
— Matrix determinant.
— Euler angles.

6. Affine transformation
— Robot Localization.
— Robot Motion Planning.
— Projective transformations.

7. 3D —> 2D
— Pinhole camera model.
— Intrinsic Camera Matrix.
— Extrinsic Camera Matrix.
— Drawing 3D objects.

8. Matrix factorization by SVD
— Dimensionality reduction.
— Overdetermined systems.
— Linear regression.

Кому подходит курс

1. Программистам,
желающим заполнить существующие пробелы в знаниях и подтянуть математику.

2. Начинающим разработчикам,
которые хотят получить крепкий фундамент для изучения Data Science и Machine Learning.

Зареєструватися

👍ПодобаєтьсяСподобалось0
До обраногоВ обраному1
LinkedIn

Немає коментарів

Підписатись на коментаріВідписатись від коментарів Коментарі можуть залишати тільки користувачі з підтвердженими акаунтами.

Підписатись на коментарі