[Университет 20.35] Аналитик данных (2022)

Тексты лекций/Модуль 4 (Глубокое обучение)/2. Перцептрон. Многослойные НС.pdf

2.2.1. Понятие полносвязной сети/2.7. Построение многослойной полносвязной сети средствами Numpy.mp4

2.2.1. Понятие полносвязной сети/2.3. Построение однослойной полносвязной сети средствами Numpy.mp4

2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/1.3. Построение оптимальной разделяющей гиперплоскости.mp4

2.2.4. Рекуррентные НС/1.5. Практика.mp4

2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.3. Общее описание метода ГК.mp4

1.1.1. Введение в науку о данных, инструменты для обработки данных/1.5. Подготовка данных.mp4

2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.3. Условная энтропия.mp4

2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.3. Джекнайф.mp4

2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.3. Жадные стратегии.mp4

2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.6. Пример использования Keras для решения задачи классификации.mp4

2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 6 Алгоритмы их оценка и разделение данных.mp4

2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.7. Оценка стратегий. Оптимальные стратегии.mp4

1.1.1. Введение в науку о данных, инструменты для обработки данных/2.3. Приемы работы с электронными таблицами.mp4

1.1.1. Введение в науку о данных, инструменты для обработки данных/1.1. Анализ данных Основные понятия.mp4

2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.3. Пример использования TensorFlow для решения задачи классификации.mp4

2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.5. Взаимодействие агента и окружающей среды.mp4

2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.8. Optuna.mp4

2.2.3. Сверточные нейронные сети/1.1. Свертки в нейронных сетях.mp4

2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 9 Построение классификатора.mp4

1.1.2. Python для анализа данных/1.7. Библиотеки NumPy, pandas.mp4

2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.12. Optimizers.mp4

1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/2.1. Описательная статистика.mp4

2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/1.2. Гиперплоскости и классификация на их основе.mp4

2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.8. Алгоритмы SARSA и Q-обучение.mp4

1.1.5. NoSQL хранилища/4.1. Введение в Cassandra.mp4

2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.6. Обратно в МГК.mp4

2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.5. Деревья принятия решений.mp4

1.1.1. Введение в науку о данных, инструменты для обработки данных/1.4. Источники данных.mp4

2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.10. Overfitting Underfitting.mp4

1.1.4. Системы управления базами данных. Обработка структурированных данных/1.4. Архитектура СУБД.mp4

1.2.2. Законы распределения случайных величин/1.1. Дискретное распределение.mp4

2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.1. Введение.mp4

2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/1.5. Классификатор с мягким зазором.mp4

1.1.4. Системы управления базами данных. Обработка структурированных данных/1.1. Информационные системы.mp4

1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/2.3. Нормировка данных.mp4

1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/3.3. Определение трендов временных рядов.mp4

2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.2. Энтропия.mp4

1.1.2. Python для анализа данных/1.2. Основы Python. Переменные и операции.mp4

2.1.2. Задача регрессии/1.2. Простейшая модель линейной регрессии.mp4

1.1.2. Python для анализа данных/1.5. Структуры данных Python. Списки и Кортежи.mp4

2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/3.2. Метод К-средних.mp4

1.1.4. Системы управления базами данных. Обработка структурированных данных/4.3. Объекты базы данных.mp4

1.1.5. NoSQL хранилища/2.4 За пределами структур данных.mp4

1.1.5. NoSQL хранилища/4.2. Проектирование модели данных.mp4

2.1.2. Задача регрессии/1.5. Построение доверительных интервалов.mp4

1.1.4. Системы управления базами данных. Обработка структурированных данных/3.2. Условия выборки.mp4

1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/1.2. Методы визуализации.mp4

2.1.2. Задача регрессии/1.4. Статистические характеристики параметров простейшей линейной регрессии.mp4

1.1.4. Системы управления базами данных. Обработка структурированных данных/1.3. Основные функции систем управления данными ч2.mp4