Course description

Линейная алгебра и геометрия. Часть 2: векторная алгебра
Date of starting course:
Понедельник, 2 Апрель 2018
Duration of the course:
6 weeks
Type of course:
Distance
Запись на курс:
по кодовому слову
Who

Колчев Алексей

Picture of Колчев Алексей

Нехаев Игорь Николаевич

Нехаев Игорь

начальник Центра Электронного Обучения, к.т.н.,

доцент каф. прикладной математики и информационных технологий

Поволжского государственного технологического университета

Presentation of course
What about

В данном курсе рассматриваются основные концепты и методы линейной алгебры и геометрии как инструменты решения реальных кейсов в области компьютерной обработки данных и машинного обучения. Курс содержит лекционный материал, тестовый материал для проверки знаний и практикум. Примеры реализации и демонстрации алгоритмов выполнены на Питоне-3 и в MathCad.

What

Чтобы уметь грамотно применять методы машинного обучения, вычислительной математики, понимать и конструировать алгоритмы компьютерной графики необходимо знать математический аппарат векторной алгебры и аналитической геометрии. В данном курсе рассматривается необходимая теория и примеры её применения в задачах машинного обучения и при моделировании графических объектов. Для иллюстрации применения теории используются реальные кейсы. Данная часть курса рассчитана на 54 часов работы обучающихся (6 недель + экзамен), 1,5 з.е.

Bag

Школьный курс математики, знание алгебры матриц (сложение, умножение, решение определенной СЛАУ, вычисление обратной матрицы, общее решение однородной СЛАУ, общее решение неопределенной СЛАУ).

For what

Обучающиеся, завершившие успешно курс, ...

будут знать

- основные понятия и методы решения задач векторной алгебры;

будут способны:

- использовать матричный анализ и векторную алгебру для описания, представления и анализа реальных данных;  

- использовать векторное представление графических объектов, моделировать и описывать их динамику с помощью линейных преобразований; 

будут понимать специфику и постановки задач анализа больших объемов данных, представленные в виде объектно-признаковых матриц:

- поиск зависимостей, регрессионный анализ; 

- снижение размерности, проецирование;

- кластеризация, классификация;

- построение рекомендательных систем.