Блог Data Science → Полезные материалы по Data Science | OTUS
⚡Подписка от OTUS!
Собери свой пул курсов на выгодных условиях. Подробности в чате →
Написать в чат

Курсы

Программирование
Unity Game Developer. Basic
-15%
Разработчик программных роботов (RPA) на базе UiPath и PIX
-6%
Разработчик C#
-8%
Алгоритмы и структуры данных
-8%
Backend-разработчик на PHP
-8%
JavaScript Developer. Professional
-9%
iOS Developer. Professional
-8%
Базы данных
-12%
C# ASP.NET Core разработчик
-6%
Python Developer. Basic
-10%
Java Developer. Professional Web-разработчик на Python Android Developer. Basic PostgreSQL Software Architect Reverse-Engineering. Professional Kotlin Backend Developer React.js Developer VOIP инженер Нереляционные базы данных Scala-разработчик Супер-практикум по использованию и настройке GIT IoT-разработчик JavaScript Developer. Basic Advanced Fullstack JavaScript developer Unity Game Developer. Professional Супер-интенсив Azure
Инфраструктура
Супер-интенсив "Версионирование и командная работа с помощью Git"
-30%
Administrator Linux. Professional
-5%
Супер-интенсив «CI/CD или Непрерывная поставка с Docker и Kubernetes»
-30%
Разработчик программных роботов (RPA) на базе UiPath и PIX
-6%
Administrator Linux. Advanced
-8%
Infrastructure as a code in Ansible
-12%
Network engineer
-4%
MS SQL Server Developer
-8%
Cloud Solution Architecture Highload Architect Разработчик голосовых ассистентов и чат-ботов Мониторинг и логирование: Zabbix, Prometheus, ELK Супер-практикум по работе с протоколом BGP Супер - интенсив по паттернам проектирования Супер - интенсив по Kubernetes Архитектор сетей Супер-интенсив «IaC Ansible»
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02
Математика для ИИ: операции с матрицами

Из операций с матрицами можно выделить транспонирование, псевдоинверсию, преобразование в скаляр, умножение на вектор и умножение на обратную матрицу. Знание этих операций пригодится вам в контексте понимания принципов работы ИИ.

Математика для ИИ: математическое ожидание, дисперсия и ковариация

Математическое ожидание определяется в теории вероятностей в качестве среднего значения повторения некоторого события. Можно сказать, что ожидаемое значение функции f(x) над распределением вероятностей P(x) — это среднее значение f в случае, если x берётся из P.

Математика для ИИ: базовые термины линейной алгебры

Данная статья даст вам представление о базовых концепциях линейной алгебры — необходимых основах для всех, кто профессионально интересуется машинным обучением, искусственным интеллектом и нейронными сетями. Помните, что многие концепции, используемые в вышеописанных областях, основаны на математических принципах и были открыты более 50 лет назад.

Математика для ИИ: случайные величины и распределение вероятностей

Случайная величина — величина, случайно принимающая какое-либо значение из множества всевозможных значений. Также можно сказать, что это функция, конвертирующая результат какого-нибудь меняющегося процесса в числовое значение. Вот, как это обозначается в математике:

Математика для ИИ: базовые термины теории вероятностей

Когда речь идёт об ИИ, хаотичность и неопределённость проявляются во многих формах. И теория вероятностей предоставляет нам методы для работы с неопределённостью, а также используется для анализа частоты возникновения событий.

Зачем знать математику в Data Science?

Практические навыки в математике являются одним из основных требований к Middle-специалистам по Data Science. А если вы «джуниор», то умение применять математические знания на практике позволят вам быстрее продвинуться по карьерной лестнице в этойнепростой сфере.

Метод R/R

Совместив вместе метод Херста и метод виртуальных объемов, вы сможете исследовать свойства особых фрактальных (R/R) функций, представляющих собой зависимости квадрата отношения размаха накопленного отклонения от среднего к размаху отклонения от среднего от времени наблюдения (объема выборки) N.

Нелинейность в анализе временных рядов

Math_DS_Deep_28.4-5020-09d3f1.png

Структура современных временных рядов претерпела сильные изменения как в природе своего процесса, так и в характеристиках своего поведения. Современные временные ряды обладают рядом свойств, которые делают невозможным применение традиционных методов анализа.

Процессы с длинной памятью

Math_DS_26.12-5020-001233.png

Зависимость структуры ряда от времени играет ключевую роль при моделировании или анализе временных рядов с различным типом процесса. В задаче анализа временного ряда со сложной структурой часто применяются модели класса ARIMA(p,d,q), которые моделируют различные ситуации, встречающиеся при анализе стационарных и нестационарных рядов.