Революция в ML. От «чёрного ящика» к полному пониманию математики машинного обучения через реверс-инжиниринг ML-модели.Вывод с нуля всех формул + Python. 

Основной акцент в курсе сделан на самой важной и сложной теме - это функция потерь (loss), то есть сердце любого алгоритма, его приборная панель по которой и обучаются машины, самое главное мы всё разбираем С НУЛЯ!

Вы проходите серию курсов, ниже предоставлен роадмап, чтобы вы всегда знали какой курс из серии вы проходите.

10 примеров сфер применения множественной линейной регрессии:

1. 🏠 Прогнозирование цен

• Цена дома в зависимости от его площади (метры квадратные).
• Цена автомобиля в зависимости от его возраста.

2. 📈 Анализ продаж

• Объём продаж товара в зависимости от суммы рекламного бюджета.
• Доход магазина в зависимости от количества посетителей.

3. 💰 Экономика и финансы

• Прогноз инфляции в зависимости от процентной ставки.
• Оценка роста ВВП в зависимости от инвестиций.

4. 🏥 Медицина

• Прогноз массы тела пациента в зависимости от его роста.
• Уровень холестерина в крови в зависимости от возраста.

5. 🎓 Образование

• Оценка успеваемости (баллы за экзамен) в зависимости от количества часов подготовки.

6. 🏃‍♂️ Спорт

• Предсказание времени пробега дистанции в зависимости от количества тренировочных часов в неделю.

7. 🛠️ Производство

• Время изготовления детали в зависимости от её сложности (например, количества операций).

8. 🌾 Агрономия

• Урожайность поля в зависимости от количества внесённых удобрений.

9. 🌍 Экология

• Прогноз уровня загрязнения воздуха в зависимости от количества автотранспорта.

10. ⚡ Энергетика

• Потребление электроэнергии в зависимости от температуры воздуха.

ОСОБЕННОСТИ КУРСА:

• Разбор коммерческого кода действующих проектов по Data Science с сайта https://kaggle.com
• Способность понимать "метод наименьших квадратов" в учебнике от Школы Анализа Данных(ШАД) Яндекс https://education.yandex.ru/handbook/ml/article/linear-models
• Применения знаний на новейших моделях машинного обучения и нейросетей на сайте архив: https://arxiv.org/list/stat.ML/recent
• Способность понимать лекции от Воронцова К.В. http://machinelearning.ru/wiki/index.php?title=Участник:Vokov
• Глубокое понимание простой регрессии: http://www.machinelearning.ru/wiki/index.php?title=Одномерная_линейная_регрессия
• Адаптация полученных знаний по математике и программированию под специфику бизнеса вашего работодателя или вашего стартапа.
• Навык выведения математических формул с нуля
• Имплементация математических формул в Python 
• Глубокое понимание математики которая используется в Python
• Фундаментальное понимание алгоритма простой линейной регрессии
• Фундаментальные знания для подготовки к собеседованию в Data Science

Этот курс - лучший способ начать с нуля и стать специалистом по Машинному Обучению в Python и МАТЕМАТИКЕ!

Курс разработан с акцентом на простой и понятный вход в машинное обучение — без необходимости сразу углубляться в сложную математику. Теоретическая база вводится постепенно, по мере необходимости, что делает обучение комфортным даже для тех, кто не имеет технического образования. Многие участники с гуманитарным бэкграундом успешно проходят курс и отмечают это в своих отзывах.

Если в процессе обучения у вас возникнут вопросы, вы можете задать их в комментариях к урокам — я, как автор курса, регулярно просматриваю комментарии и с радостью помогу вам разобраться

В этом курсе Вы изучите следующие темы:

1.     Имплементация на Python
2.     Функция потерь - Функция нескольких переменных.(ФНП)
3.     Математический анализ
4.     Геометрический и физический смысл производной
5.     Дифференциал и Нотация Лейбница
6.      Производная по определению через предел
7.     Частная производная
8.     Получаем формулу МНК с нуля
9.     Частные производные от Функции потерь
10.     Теория рядов
11.     Выводим формулу МНК
12.     Линейная алгебра
13.     Метод крамера и система линейных алгебраических уравнений (СЛАУ)
14.     Интерпретация формулы МНК
15.     Смысл формулы МНК
16.     Интерполяция и Аппроксимация
17.     Линейная регрессия на Python с нуля
18.     Scikit-learn: linear regression
19.     Корреляционно-регрессионный анализ

    и много другое!

Курс сопровождается набором Jupyter Notebook — с примерами кода и подробными пояснениями. Для каждой лекции подготовлен отдельный блокнот, структурированный по разделам курса. Это позволяет не только смотреть видео, но и быстро находить нужную информацию в текстовом виде — удобно для повторения и навигации по материалу.

Курс доступен без ограничений по времени: вы можете проходить его в удобном для себя темпе.

Присоединяйтесь к обучению и развивайте свои навыки — добро пожаловать на курс!

Реверс-инжиниринг математики для простой(парной/одномерной) линейной регрессии. Аналитическое решение. МНК.