Математика Дата саентиста

Вероятность и статистика

1. Переменные и метрики
2. Генераторы и Монте-Карло
3. ЗБЧ и ЦПТ
4. Монте-Карло: практика
5. Проверка гипотез и p-value
6. А/Б тесты: пропорции
7. А/Б тесты: непрерывные переменные
8. Множественная проверка гипотез
9. Ревью курса + вопросы и ответы

#video #math

https://www.youtube.com/watch?v=S3WAjnBC6CI&list=PLQJ7ptkRY-xbHLLI66KdscKp_FJt0FsIi

Python для работы с данными

1. Способы самопроверки при анализе данных
2. Как автоматизировать скучную работу в Pandas ?
3, Какая роль у аналитика в команде?
4. Как сделать предподготовку данных? Реальные примеры
5. Как использовать метод apply для трансформации колонок?
6. Lambda функции для быстрых вычислений
7. Приступаем к аналитике
8. Объединение данных, метод merge
9. От данных к метрикам
10. Визуализация как метод исследования данных

#video #python

https://www.youtube.com/watch?v=Eb7Q_qCAqM4&list=PLBRXq5LaddfxQFjzuq5QC05q1ZheGMQo1&ab_channel=karpov.courses

Mathematical Introduction to #DeepLearning

📓 Book

@data_math

Цикл лекций о великих математиках

1. Обзор жизни и исследований Леонарда Эйлера
2. Что таĸое Эĸспонента? Значение в 0
3. Что таĸое Эĸспонента? Значение в 1
4. Экспонента по Ньютону. Чему равно е
5. Еще одна Экспонента
6. Формула Эйлера
7. Быстрое вычисление числа π по Эйлеру
8. Путь Эйлера
9. Топология
10. Приложение 1: “Футбольный мяч”

#video #math

https://www.youtube.com/watch?v=Nd5VJAR3ZPw&list=PLmu_y3-DV2_k-Tnu_L-uZ8FMbTWGce-ED&ab_channel=%D0%A6%D0%98%D0%A2%D0%9C%D0%AD%D0%BA%D1%81%D0%BF%D0%BE%D0%BD%D0%B5%D0%BD%D1%82%D0%B0

@data_math

📌Feast — open-source хранилище фичей для ML

— pip install feast

Если вдруг кто не сталкивался, существует Feast (Feature Store), который предоставляет простой способ управления существующей инфраструктурой данных для обучения ML-моделей.

Feast позволяет:
— загружать фичи в офлайн- и онлайн-хранилища. Первое подходит для хранения kv-store (оперативных данных), а последнее — для data lake (данных для обучения)

— отделить ML от данных, абстрагировать работу с данными от разработки ML-моделей

Feast содержит 5 функциональных блоков: Registry, Transform, Storage, Serving и Operational Monitoring.

🖥 GitHub
🟡 Доки

@data_math

🌟 Deep Learning на пальцах

Это крутой бесплатный курс по глубокому обучению, который читает исследователь MIT Семён Козлов.

В том же объёме курс читается и для магистрантов Новосибирского Государственного Университета, а также студентов CS центра Новосибирска.

Темы, которые в нем освещены:

▪️Python, numpy, notebooks
▪️Нейронные сети
▪️PyTorch и подробности
▪️Введение в NLP, компьютерное зрение, распознавание речи и обучение с подкреплением.

🔗 Ссылка на материалы

🌟 Мощный учебник по использованию Julia в ML и Deep Learning

Здесь приведено много практических примеров, таких как реализация LSTM, реализация классического перцептрона, использование линейной/логистической регрессии и много других примеров.
Показывается, как работать с последовательностями, как корректно обрабатывать файлы, как использовать GPU.
Отличный материал, если планируете использовать Julia в работе

🟡 Deep Learning with Julia

@machinelearning_interview

🚀 Популярный учебник по машинному обучению ШАДа, то спешим сообщить —недавно там появились новые главы.

В частности:

▪Обучение представлений и Дистилляция знаний
▪Целый раздел про генеративные модели
▪Раздел про рекомендательные системы
▪Временные ряды
▪Теория глубокого обучения
▪Онлайн-обучение
▪Вероятностные распределения, параметрические оценки, энтропия

@data_math

⚡️ Полезные гайды по математике для машинного обучения

Большой ресурс авторов книги Mathematics for Machine Learning. Эта крутая книга доступна бесплатно.

И к ней доступно множество упражнений:

▪Математика за линейной регрессией
▪Метод главных компонент (PCA)
▪ Модели гауссовой смеси

🔗 Репозиторий проекта на GitHub

@data_math

🎓Эффективный ML (MIT)

Одной из самых важных тем в области искусственного интеллекта на сегодняшний день является эффективность работы алгоритмов ИИ.

Это важная тема, учитывая большие объемы вычислительных ресурсов, требуемых современными системами ML.

В этом курсе представлен подробный обзор методов, позволяющих создавать эффективные системы ML. Включает лекции по:

- Сжатию
- Сокращение
- Квантование
- Поиск нейронной архитектуры
- Распределенное обучение
- Параллелизм данных и моделей
- Тонкая настройка
... и многое другое.

https://www.youtube.com/playlist?list=PL80kAHvQbh-pT4lCkDT53zT8DKmhE0idB

@data_math

🖥 AI Math Notes - это интерактивное приложение, которое позволяет рисовть математические формулы на доске и получитать решения.

Как только уравнение написано, приложение использует мультимодальный LLM для его решения.

Приложение построено с использованием Python с библиотекой Tkinter для графического интерфейса пользователя и PIL для обработки изображений.

▪ Github

@data_math

⚡️ На канале института Саймонса есть много интересного мл-контента на английском языке.

Много крутых и актуальных лекций, рекомендую

https://youtube.com/@SimonsInstituteTOC

@data_math

🌟 Бесценный репозиторий с практическими Colab'ами по ML

Здесь собраны Colab'ы, в которых подробно на примерах разбираются такие темы как
— обучение без учителя, кластеризация, рекомендательные системы
— полносвязные нейросети, функции активации, кросс-валидация
— линейная алгебра, вектора, матрицы, преобразования
— линейная регрессия

(и много других тем)

🖥 GitHub

@data_math