Курс на Stepik
Обложка курса «Математика Data Science для врачей. Gradient descent & SGD» на Stepik
5 990 ₽

Математика Data Science для врачей. Gradient descent & SGD ★ 5.000

Открыть на
STEPIK.ORG

🟥🟨🟩Революция в ML.От «чёрного ящика» к полному пониманию математики машинного обучения через реверс-инжиниринг ML-модели. Вывод с нуля всех формул + Python.Меня зовут Руслан Сенаторов и в 2025 году я разработал новую систему обучения в области Data Science. Вместо традиционного "сверху вниз через теорию" мы начинаем с готовых решений в scikit-learn и разбираем их "изнутри",чтобы понять принципы работы и математику которая лежит в их основе с полного нуля.Это позволяет значительно сократить время обучения

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Математика Data Science для врачей. Gradient descent & SGD»Учеников на курсе 50
Сертификаты, выданные на курсе «Математика Data Science для врачей. Gradient descent & SGD»Сертификатов выдано 25
Отзывы о курсе «Математика Data Science для врачей. Gradient descent & SGD»Отзывов получено 2
Рейтинг курса «Математика Data Science для врачей. Gradient descent & SGD»Рейтинг курса 5.000
Уроки в курсе «Математика Data Science для врачей. Gradient descent & SGD»Количество уроков 61
Тесты в курсе «Математика Data Science для врачей. Gradient descent & SGD»Количество квизов 152
Задачи с кодом в курсе «Математика Data Science для врачей. Gradient descent & SGD»Количество задач с кодом 15
Время прохождения курса «Математика Data Science для врачей. Gradient descent & SGD»Время прохождения курса —
Стоимость курса «Математика Data Science для врачей. Gradient descent & SGD»Стоимость курса 5 990 ₽ —
Обновления курса «Математика Data Science для врачей. Gradient descent & SGD»Обновления курса — —
Дата публикации курса «Математика Data Science для врачей. Gradient descent & SGD»Дата публикации курса — ———
Последнее обновление курса «Математика Data Science для врачей. Gradient descent & SGD»Последнее обновление — ———
Сложность easy — ———

Содержание курса

Разделы в курсе «Математика Data Science для врачей. Gradient descent & SGD» 22 раздела Уроки в курсе «Математика Data Science для врачей. Gradient descent & SGD» 61 урок Тесты в курсе «Математика Data Science для врачей. Gradient descent & SGD» 152 теста Задачи в курсе «Математика Data Science для врачей. Gradient descent & SGD» 15 задач Время прохождения курса «Математика Data Science для врачей. Gradient descent & SGD» 8 ч. Последнее обновление курса «Математика Data Science для врачей. Gradient descent & SGD» обн. 1 октября 2026

Введение

4 урока
1. Регламент взаимодействия ↗
2. Обзор курса ↗
3. Школа Анализа Данных. Kaggle. arXiv. ↗
4. Глоссарий ↗

Глава 1.Реализация №1. Реверс-инжиниринг кода (Python+sklearn)

4 урока
1. Параметры метода, Фильтрация данных ↗
2. (Краткий обзор) z-score: масштабирование признаков ↗
3. train_test_split:Тестовая, обучающая выборка. ↗
4. Инициализация параметров: Метод shape, bias, weights, previous. ↗

Глава 2.Численный метод что это?

1 урок
1. Основные понятия. Изучение терминологии. ↗

Глава 3.Математический анализ

4 урока
1. Понятие функции ↗
2. Монотонность функции ↗
3. Производная и монотонность функции ↗
4. Понятие Оптимизации ↗

Глава 4.Основные теоремы дифференциального исчисления

10 уроков
1. Теорема Ферма. Точка экстремума. Критическая точка. ↗
2. Выпуклость.Вогнутость функции.Точка перегиба.Хорда ↗
3. Этапы оптимизации функции ↗
4. Основы оптимизации функции. Липшицевость. Гладкость. Выпуклость. ↗
5. Теорема Ролля: Основные понятия ↗
6. Теорема Ролля: Синусоида. Основы тригонометрии. ↗
7. Теорема Лагранжа: Основные понятия ↗
8. Теорема Лагранжа: Парабола ↗
9. Теорема Лагранжа: Линейная регрессия ↗
10. Стационарная точка. Критическая точка. Точка экстремума. ↗

Глава 5.Функция нескольких переменных.

5 уроков
1. Парабалойд ↗
2. learning rate.Формула градиентного спуска ↗
3. L1 vs L2 ↗
4. Как изменялась ошибка? ↗
5. Теорема Лагранжа: Критерий сходимости алгоритма ↗

Глава 6.Реализация №1. Реверс-инжиниринг кода (Python+sklearn)

1 урок
1. GDLinearRegression: Повторный реверс-инжиниринг ↗

Глава 7.Градиент и Функция потерь

3 урока
1. Геометрический смысл: Градиент и Функция потерь ↗
2. Ортонормированный базис.Линейная зависимость.Линейная комбинация ↗
3. Частные производные и Градиент ↗

Глава 8.Реализация №1. Реверс-инжиниринг кода (Python+sklearn)

1 урок
1. GDLinearRegression: Повторный реверс-инжиниринг ↗

Глава 9.Реализация №2. Реверс-инжиниринг кода (Python+sklearn)

1 урок
1. Реверс-инжиниринг кода ↗

Глава 10.Выводим с нуля формулу

2 урока
1. Скалярный квадрат. SSE. ↗
2. Матричное диффенцирование: линейная форма, квадратичная форма ↗

Глава 11.Реализация №2. Реверс-инжиниринг кода (Python+sklearn)

1 урок
1. Реверс-инжиниринг кода ↗

Глава 12.Реализация №3. Реверс-инжиниринг кода (Python+sklearn)

1 урок
1. Реверс-инжиниринг кода ↗

Глава 13.Экзамен на python

1 урок
1. тестирование на python ↗

Глава 14. Мини-Батч градиентный спуск

2 урока
1. Реверс-инжиниринг кода ↗
2. Дебажим детально код, ставим брекпоинт и сверяем с математикой ↗

Глава 15.Стохастический градиентный спуск

1 урок
1. Дебажим детально код, ставим брекпоинт и сверяем с математикой ↗

Глава 16.Переобучение.недообучение модели:Underfit, good,overfit

1 урок
1. Основные различия ↗

Глава 17. Сравнительный анализ. BGD VS MINI-BATCH VS SGD

1 урок
1. Плюсы, Минусы, Где применяется ↗

(Краткий обзор) Корреляционно-регрессионный анализ

12 уроков
1. Intro: linear regression ↗
2. Supervised learning/Unsupervised learning ↗
3. Классификация моделей линейной регресии ↗
4. Pipeline ↗
5. Вероятностный и классический подход в машинном обучении ↗
6. Почему называется МНК? ↗
7. Ф-критерий Фишера/Т-критерий Стьюдента и Метрики качества модели ↗
8. Теорема Гаусса-Маркова ↗
9. Доверительный интервал ↗
10. QQ-plot.Тест Шапиро-Уилка и Колмогорова смирнова ↗
11. Градиентный спуск и Метод наименьших квадратов ↗
12. Time complexity для МНК (Алгоритмы и структуры данных) ↗

Если вам понравился курс...

1 урок
1. ...то... ↗

стажировка в IT-организации и Школа Data Science

1 урок
1. стажировка в IT-организации и Школа Data Science ↗

Метод сопряжённых градиентов

1 урок
1. CG ↗