Изучила LU-разложение и разложение Холецкого. Есть задания на Python. Спасибо.
Пройден очередной курс! В нём я изучил зачем нужно разложение Холецкого, где он применяется, его сильный и слабые стороны. Благодаря курсам Руслана у меня выстроилась четкая картинка основных методов машинного обучения, когда лучше использовать аналитическое решение, а когда итерационные методы. В каких случаях матричное разложение выигрывает у нормального уравнения, виды датасетов(высокий, широкий, квадратный) и список можно продолжать довольно долго. Основная мысль отзыва в том что с прохождением курсов у меня в голове строится четкая картина как работает машинное обучение и что под капотом каждого метода. Это очень ценные знания, которые можно получить в этих курсах. Огромное спасибо Руслану за проделанную работу и за это комфортное, глубокое погружение в машинное обучение. Обязательно иду дальше — в планах курс по градиентному спуску.
Отличный курс для углубления в машинное обучение. Материал хорошо структурирован и подан: многие вопросы разбираются по несколько раз под разными углами и в разном контексте, так что к концу курса сложно сказать, что вы что-то недопоняли. Особенно ценно, что всё рассматривается в прикладном контексте Data Science, а не как абстрактная алгебра. Это помогает понять, как именно алгоритмы работают внутри библиотек. Тесты и задания составлены грамотно: они проверяют реальное понимание алгоритмов, а не просто запоминание формул - и помогают ещё лучше усвоить материал. Рекомендую курс всем, кто хочет разобраться, как методы оптимизации работают «под капотом», и повысить качество своих моделей.
Хороший практический курс по разложению Холецкого и LU с реализацией на Python. Материал объясняется понятно и по делу, без лишней теории, но с необходимым пониманием алгоритмов. Полезные примеры и задания, хорошо укрепляют полученные знания
Спасибо что цените мой труд!