Algebra w uczeniu maszynowym

Opis

Zaawansowane szkolenie zgłębiające matematyczne podstawy uczenia maszynowego, ze szczególnym uwzględnieniem algebry liniowej i jej zastosowań. Program łączy teorię matematyczną z praktycznym wykorzystaniem koncepcji algebraicznych w implementacji algorytmów ML. Zajęcia prowadzone są w formie interaktywnych warsztatów, gdzie abstrakcyjne pojęcia matematyczne są ilustrowane konkretnymi przykładami z dziedziny uczenia maszynowego, a teoria jest natychmiast weryfikowana poprzez implementacje w języku Python.

Profil uczestnika

Program szkolenia jest dedykowany dla:
• Inżynierów uczenia maszynowego chcących pogłębić wiedzę matematyczną
• Data scientists potrzebujących solidnych podstaw algebraicznych
• Programistów ML zainteresowanych optymalizacją algorytmów
• Badaczy zajmujących się zaawansowanymi technikami ML
• Analityków danych rozwijających umiejętności teoretyczne
• Matematyków przechodzących do dziedziny ML
• Doktorantów specjalizujących się w AI
• Specjalistów DS pracujących nad zaawansowanymi modelami

Agenda

1. Podstawy algebry liniowej w ML
• Wektory i przestrzenie wektorowe
• Macierze i operacje macierzowe
• Transformacje liniowe
• Układy równań liniowych w ML
2. Zaawansowane koncepcje algebraiczne
• Wartości i wektory własne
• Rozkład macierzy (SVD, PCA)
• Optymalizacja gradientowa
• Normy i metryki w ML
3. Zastosowania w uczeniu maszynowym
• Algebra w regresji liniowej
• Redukcja wymiarowości
• Kernel methods
• Sieci neuronowe i algebra
4. Implementacja i optymalizacja
• Efektywne obliczenia macierzowe
• Biblioteki numeryczne
• Optymalizacja wydajności
• Rozwiązywanie problemów numerycznych

Korzyści

Po ukończeniu szkolenia uczestnik będzie posiadał głębokie zrozumienie matematycznych podstaw uczenia maszynowego. Zdobędzie umiejętność efektywnego wykorzystania koncepcji algebraicznych w projektowaniu i optymalizacji algorytmów ML. Rozwinie zdolność analizy i rozwiązywania problemów matematycznych pojawiających się w projektach uczenia maszynowego. Nauczy się implementować zaawansowane techniki algebry liniowej w kontekście ML. Będzie potrafił optymalizować obliczenia macierzowe w swoich rozwiązaniach. Zyska umiejętność interpretacji wyników matematycznych w kontekście praktycznych zastosowań ML.

Wymagane przygotowanie uczestników

• Podstawowa znajomość matematyki wyższej
• Doświadczenie w programowaniu w Pythonie
• Znajomość podstaw uczenia maszynowego
• Zrozumienie podstawowych pojęć algebraicznych

Zagadnienia

• Przestrzenie wektorowe w ML
• Operacje na macierzach
• Transformacje liniowe
• Wartości i wektory własne
• Rozkład macierzy
• Optymalizacja gradientowa
• Metryki przestrzeni
• Algebra w sieciach neuronowych
• Obliczenia numeryczne
• Kernel methods
• Redukcja wymiarowości
• Stabilność numeryczna

Poznaj naszą firmę