технологический партнер
индустриальный партнер
+
Получите фундамент для изучения Data Science и Machine Learning
Вебинар | Онлайн-трансляция
27 июля вторник
в 17:00 по МСК
Если вы хотите стать востребованным специалистом по данным, вам нужно понимать математику алгоритмов машинного обучения. Что именно изучать и как это делать эффективно, мы вам расскажем.
Теория информации
Линейная алгебра
Теория вероятностей и статистика
Математический анализ
Методы оптимизации
Какая математика вам нужна, чтобы стать специалистом по машинному обучению?
Теория информации
Теория вероятностей и статистика
Методы оптимизации
Получите знания, без которых в ML — никак.
Мы объясним вам:
Как регуляризировать задачу численного дифференцирования, чтобы даже real-world задачи решались
Как решать «нерешаемые» системы линейных уравнений
01_
02_
03_
Как решать неустойчивые системы линейных алгебраических уравнений
Как вам помогут эти знания?
Понимать методы оптимизации, используемые для машинного обучения
Определять вычислительную эффективность и масштабируемость алгоритма машинного обучения
Оценивать качество работы алгоритма машинного обучения
Сравнивать эффективность различных ML-моделей между собой
Хорошая математическая база станет фундаментом, который позволит вам:
1
2
3
4
Вам точно стоит прийти, если вы:
имеете степень бакалавра технических и ИТ-специальностей, математических, естественных и экономических наук
хотите создавать сложные прикладные системы на основе ИИ
интересуетесь сферой ИТ в целом и разработками ИИ в частности
Погрузитесь в сферу вместе с нами
Задайте вопросы эксперту в сфере Data Science и Machine Learning

Изучите самые важные темы для будущих специалистов по данным

Получите конкретные рекомендации, что делать и учить сейчас




Кто будет говорить:
Святослав Солодушкин
Кандидат физико-математических наук, доцент кафедры вычислительной математики и компьютерных наук УрФУ
Как быть?
Прийти на вебинар 27 июля в 17:00 и получить ответы