Projector

Linear Algebra

36 000 UAH за курс
3 місяців
Для досвідчених
Data Science / Machine learning
Цей курс — інтенсив з прикладної лінійної алгебри для Data Science та Machine Learning. Ви розберете вектори, матриці, SVD, лінійну регресію та 3D-графіку, щоб застосовувати це в реальних задачах. Навчання включає вебінари, практичні завдання та курсовий проєкт.

Про курс

Програма курсу

Вектори та основи

Курс починається з основ векторного простору. Слухачі дізнаються про геометричні властивості векторів, рівняння прямої та поняття базису. Цей модуль також включає рівняння площини, що дає фундамент для подальшого вивчення.

Нормовані простори та подібність векторів

Тут розглядається довжина векторів та різні метрики відстаней. Студенти навчаться вимірювати подібність між векторами, що безпосередньо застосовується в кластеризації K-Means та методі k-найближчих сусідів для класифікації та регресії.

Скалярний добуток та гіперплощини

Модуль охоплює скалярний добуток векторів та проекції на лінії. Поглиблено вивчається рівняння площини, а потім - рівняння гіперплощин. Ці знання застосовуються в методах опорних векторів та ядерному трюку.

Матриці та лінійні рівняння

Студенти освоюють операції з матрицями та розуміють матриці як функції. Включає знаходження обернених матриць, розв'язування систем лінійних рівнянь, визначення рангу матриці та роботу з виродженими матрицями.

Перетворення та проекції

Цей блок охоплює ортогональні перетворення - матриці обертання та відображення. Далі вивчаються афінні та проективні перетворення, зміна систем відліку та проекції векторів на підпростори разом з їх властивостями.

Лінійна регресія та SVD

Модуль пояснює розв'язування перевизначених систем лінійних рівнянь через псевдообернені матриці. Показує зв'язок лінійної регресії з проекційними перетвореннями. Далі - розклад матриць методом SVD, метод головних компонент та зменшення розмірності даних.

3D графіка та фінальний проект

Завершальна частина курсу присвячена алгебрі 3D графіки. Студенти вивчають pinhole модель камери, матриці внутрішніх параметрів, кути Ейлера та зовнішні матриці. Останній модуль - капстон проект з побудови прогнозної моделі, що об'єднує всі отримані знання.

Особливості курсу

Заняття проходять у формі вебінарів по середах о 19:30, а відеолекції стають доступними щоп'ятниці. Програма включає практичні завдання з реальними даними та курсовий проект. Викладачі дають регулярний зворотний зв'язок. Після успішного завершення видається сертифікат. Кошти можна повернути протягом перших 7 днів від початку навчання.

Що включено

Вечірні заняття
Видається диплом/сертифікат
Реальний проект у портфоліо
Супровід ментора