Trinity
Администратор
- Регистрация
- 10.07.21
- Сообщения
- 31.305
- Реакции
- 440.250
[Udemy] Численные методы и оптимизация в Python (2022)
Этот курс посвящен численным методам и алгоритмам оптимизации на языке программирования Python.
Мы НЕ собираемся обсуждать ВСЮ теорию, связанную с численными методами (например, как решать дифференциальные уравнения и т. д.), мы просто рассмотрим конкретные реализации и численные принципы
Первый раздел посвящен матричной алгебре и линейным системам, таким как умножение матриц, исключение Гаусса и приложениям этих подходов. Мы рассмотрим знаменитый алгоритм Google PageRank.
Затем поговорим о численном интегрировании. Как использовать такие методы, как правило трапеций, формула Симпсона и метод Монте-Карло, для вычисления определенного интеграла заданной функции.
Следующая глава посвящена решению дифференциальных уравнений методом Эйлера и подходом Рунге-Кутты. Мы рассмотрим такие примеры, как задача о маятнике и баллистика.
Наконец, мы собираемся рассмотреть методы оптимизации, связанные с машинным обучением. Будут обсуждаться градиентный спуск, алгоритм стохастического градиентного спуска, ADAGrad, RMSProp и оптимизатор ADAM, а также теория и реализация.
Раздел 1 – Основы численных методов
Для кого этот курс:
Подробнее:
Этот курс посвящен численным методам и алгоритмам оптимизации на языке программирования Python.
Мы НЕ собираемся обсуждать ВСЮ теорию, связанную с численными методами (например, как решать дифференциальные уравнения и т. д.), мы просто рассмотрим конкретные реализации и численные принципы
Первый раздел посвящен матричной алгебре и линейным системам, таким как умножение матриц, исключение Гаусса и приложениям этих подходов. Мы рассмотрим знаменитый алгоритм Google PageRank.
Затем поговорим о численном интегрировании. Как использовать такие методы, как правило трапеций, формула Симпсона и метод Монте-Карло, для вычисления определенного интеграла заданной функции.
Следующая глава посвящена решению дифференциальных уравнений методом Эйлера и подходом Рунге-Кутты. Мы рассмотрим такие примеры, как задача о маятнике и баллистика.
Наконец, мы собираемся рассмотреть методы оптимизации, связанные с машинным обучением. Будут обсуждаться градиентный спуск, алгоритм стохастического градиентного спуска, ADAGrad, RMSProp и оптимизатор ADAM, а также теория и реализация.
Раздел 1 – Основы численных методов
- основы численных методов
- представление с плавающей запятой
- ошибки округления
- производительность C, Java и Python
- линейная алгебра
- умножение матриц
- Устранение Гаусса
- оптимизация портфеля с помощью матричной алгебры
- собственные векторы и собственные значения
- применение собственных векторов в машинном обучении (PCA)
- Объяснение алгоритма Google PageRank
- Теория интерполяции Лагранжа
- реализация и применение интерполяции
- решение нелинейных уравнений
- нахождение корня
- Метод Ньютона и метод деления пополам
- численное интегрирование
- метод прямоугольников и метод трапеций
- метод Симпсона
- Интеграция Монте-Карло
- решение дифференциальных уравнений
- метод Эйлера
- Метод Рунге-Кутты
- проблема маятника и баллистика
- алгоритм градиентного спуска
- стохастический градиентный спуск
- Алгоритмы ADAGrad и RMSProp
- Объяснение оптимизатора ADAM
Для кого этот курс:
- Этот курс предназначен для студентов с количественным опытом или инженеров-программистов, которые интересуются численными методами.
- Математическая основа — дифференциальные уравнения, интегрирование и матричная алгебра.
Подробнее:
Скачать:
Для просмотра скрытого содержимого вы должны войти или зарегистрироваться.
