[Университет 20.35] Аналитик данных (2022)

磁力链接/BT种子名称

[Университет 20.35] Аналитик данных (2022)

磁力链接/BT种子简介

种子哈希：c6f980a208ea2ed42f12f3d156b677260c0ebe00
文件大小： 3.5G
已经下载：7814次
下载速度：极快
收录时间：2023-12-20
最近下载：2025-12-06

移花宫入口

移花宫.com邀月.com怜星.com花无缺.comyhgbt.icuyhgbt.top

磁力链接下载

magnet:?xt=urn:btih:C6F980A208EA2ED42F12F3D156B677260C0EBE00
推荐使用PIKPAK网盘下载资源，10TB超大空间，不限制资源，无限次数离线下载，视频在线观看

下载BT种子文件

磁力链接 迅雷下载 PIKPAK在线播放 世界之窗 小蓝俱乐部 含羞草 欲漫涩 逼哩逼哩 成人快手 51品茶 母狗园 51动漫 91短视频 抖音Max 海王TV TikTok成人版 PornHub 暗网Xvideo 草榴社区 哆哔涩漫 呦乐园 萝莉岛 搜同 91暗网

最近搜索

文件列表

  • Тексты лекций/Модуль 4 (Глубокое обучение)/2. Перцептрон. Многослойные НС.pdf 77.4 MB
  • 2.2.1. Понятие полносвязной сети/2.7. Построение многослойной полносвязной сети средствами Numpy.mp4 61.9 MB
  • 2.2.1. Понятие полносвязной сети/2.3. Построение однослойной полносвязной сети средствами Numpy.mp4 49.8 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/1.3. Построение оптимальной разделяющей гиперплоскости.mp4 30.3 MB
  • 2.2.4. Рекуррентные НС/1.5. Практика.mp4 28.3 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.3. Общее описание метода ГК.mp4 26.0 MB
  • 1.1.1. Введение в науку о данных, инструменты для обработки данных/1.5. Подготовка данных.mp4 25.6 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.3. Условная энтропия.mp4 25.6 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.3. Джекнайф.mp4 25.4 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.3. Жадные стратегии.mp4 25.0 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.6. Пример использования Keras для решения задачи классификации.mp4 24.6 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 6 Алгоритмы их оценка и разделение данных.mp4 24.4 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.7. Оценка стратегий. Оптимальные стратегии.mp4 23.5 MB
  • 1.1.1. Введение в науку о данных, инструменты для обработки данных/2.3. Приемы работы с электронными таблицами.mp4 23.1 MB
  • 1.1.1. Введение в науку о данных, инструменты для обработки данных/1.1. Анализ данных Основные понятия.mp4 22.5 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.3. Пример использования TensorFlow для решения задачи классификации.mp4 21.7 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.5. Взаимодействие агента и окружающей среды.mp4 21.4 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.8. Optuna.mp4 21.4 MB
  • 2.2.3. Сверточные нейронные сети/1.1. Свертки в нейронных сетях.mp4 21.4 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 9 Построение классификатора.mp4 20.9 MB
  • 1.1.2. Python для анализа данных/1.7. Библиотеки NumPy, pandas.mp4 20.8 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.12. Optimizers.mp4 20.5 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/2.1. Описательная статистика.mp4 20.0 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/1.2. Гиперплоскости и классификация на их основе.mp4 20.0 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.8. Алгоритмы SARSA и Q-обучение.mp4 19.9 MB
  • 1.1.5. NoSQL хранилища/4.1. Введение в Cassandra.mp4 19.8 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.6. Обратно в МГК.mp4 19.7 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.5. Деревья принятия решений.mp4 19.6 MB
  • 1.1.1. Введение в науку о данных, инструменты для обработки данных/1.4. Источники данных.mp4 19.6 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.10. Overfitting Underfitting.mp4 19.4 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/1.4. Архитектура СУБД.mp4 19.4 MB
  • 1.2.2. Законы распределения случайных величин/1.1. Дискретное распределение.mp4 19.3 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.1. Введение.mp4 19.2 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/1.5. Классификатор с мягким зазором.mp4 19.1 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/1.1. Информационные системы.mp4 19.0 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/2.3. Нормировка данных.mp4 18.8 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/3.3. Определение трендов временных рядов.mp4 18.5 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.2. Энтропия.mp4 18.5 MB
  • 1.1.2. Python для анализа данных/1.2. Основы Python. Переменные и операции.mp4 18.5 MB
  • 2.1.2. Задача регрессии/1.2. Простейшая модель линейной регрессии.mp4 18.3 MB
  • 1.1.2. Python для анализа данных/1.5. Структуры данных Python. Списки и Кортежи.mp4 18.3 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/3.2. Метод К-средних.mp4 18.3 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/4.3. Объекты базы данных.mp4 18.2 MB
  • 1.1.5. NoSQL хранилища/2.4 За пределами структур данных.mp4 18.2 MB
  • 1.1.5. NoSQL хранилища/4.2. Проектирование модели данных.mp4 18.1 MB
  • 2.1.2. Задача регрессии/1.5. Построение доверительных интервалов.mp4 18.1 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/3.2. Условия выборки.mp4 18.0 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/1.2. Методы визуализации.mp4 17.7 MB
  • 2.1.2. Задача регрессии/1.4. Статистические характеристики параметров простейшей линейной регрессии.mp4 17.5 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/1.3. Основные функции систем управления данными ч2.mp4 17.4 MB
  • 1.1.1. Введение в науку о данных, инструменты для обработки данных/2.5. Сводная таблица.mp4 17.3 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/2.4. Нормировка данных для нечисловых шкал и целевая функция.mp4 17.3 MB
  • 1.1.2. Python для анализа данных/1.3. Основы Python. Операторы.mp4 17.2 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/3.3. Аггрегатные функции.mp4 17.0 MB
  • 2.1.2. Задача регрессии/1.9. Множественная линейная регрессия.mp4 16.9 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.7. Адаптивный бустинг.mp4 16.8 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/1.4. Основы matplotlib.mp4 16.8 MB
  • 1.1.5. NoSQL хранилища/2.3 Структуры данных. Списки и множества.mp4 16.4 MB
  • 2.2.3. Сверточные нейронные сети/1.13. Data Augmentation к 1.11.mp4 16.3 MB
  • 2.1.2. Задача регрессии/2.4. Метод максимального правдоподобия.mp4 16.2 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.13. Оптимизаторы в нейронных сетях.mp4 16.1 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/3.4. Вложенные запросы.mp4 15.9 MB
  • 1.1.1. Введение в науку о данных, инструменты для обработки данных/1.3. Виды данных.mp4 15.9 MB
  • 2.1.2. Задача регрессии/2.9. F-мера и ROC-анализ.mp4 15.9 MB
  • 2.2.3. Сверточные нейронные сети/1.3. Задача классификации.mp4 15.8 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.5. Общее понятие ансамбля.mp4 15.8 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.10. Многоклассовая классификация.mp4 15.8 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/3.4. Определение сезонных компонент временных рядов.mp4 15.7 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.6. Бинарное дерево решений.mp4 15.5 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/1.6. Ядра и спрямляющие пространства.mp4 15.5 MB
  • 1.1.5. NoSQL хранилища/3.4 Фильтры, сортировка и агрегирование.mp4 15.4 MB
  • 1.1.5. NoSQL хранилища/1.2. Основные характеристики.mp4 15.4 MB
  • Тексты лекций/Модуль 4 (Глубокое обучение)/4. Сверточные НС.pdf 15.2 MB
  • 2.2.3. Сверточные нейронные сети/1.6. Задача сегментации.mp4 15.0 MB
  • 2.1.2. Задача регрессии/1.1. Линейная регрессия и МО.mp4 14.7 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.4. Стратегии Softmax и UCB и оптимистичные начальные оценки.mp4 14.7 MB
  • 2.2.3. Сверточные нейронные сети/1.12. Transfer learning к 1.11.mp4 14.7 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/1.5. Комбинаторика.mp4 14.6 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/1.3. Визуализация данных в электронных таблицах.mp4 14.6 MB
  • 2.1.2. Задача регрессии/1.10. Оценка модели.mp4 14.5 MB
  • 1.1.1. Введение в науку о данных, инструменты для обработки данных/1.2. Измерения и шкалы.mp4 14.5 MB
  • 1.1.1. Введение в науку о данных, инструменты для обработки данных/2.1. Хранение и обработка данных.mp4 14.4 MB
  • 2.2.4. Рекуррентные НС/1.9. Практика.mp4 14.4 MB
  • 2.1.1. Обзор направлений и методов машинного обучения, основные тренды в ИИ, библиотеки для Data Science/1.2.Модельный пример и случайные величины.mp4 14.4 MB
  • 1.2.3. Описательная статистика и точечные оценки/3.8. Примеры применения ММП.mp4 14.3 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/4.2. Встроенные функции на SQL.mp4 14.2 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/2.2. Проектирование связей.mp4 14.1 MB
  • 2.1.1. Обзор направлений и методов машинного обучения, основные тренды в ИИ, библиотеки для Data Science/1.4.Классическое обучение обучение с учителем.mp4 14.1 MB
  • 1.1.5. NoSQL хранилища/2.2 Структуры данных. Строки и хеши.mp4 14.0 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/3.7. DBSCAN.mp4 14.0 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/4.1. Выражения на SQL.mp4 14.0 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/3.4. Различные способы начальной инициализации. Сходимость метода. Выбор числа К.mp4 13.9 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/2.5. Ограничения целостности.mp4 13.8 MB
  • 1.2.3. Описательная статистика и точечные оценки/2.5. Выборочные моменты.mp4 13.6 MB
  • 1.2.3. Описательная статистика и точечные оценки/4.3. Точные доверительные интервалы для семейства нормальный распределений продолжение.mp4 13.6 MB
  • 1.1.1. Введение в науку о данных, инструменты для обработки данных/2.2. Как создать электронную таблицу.mp4 13.6 MB
  • 1.2.3. Описательная статистика и точечные оценки/1.7. Проверка гипотез.mp4 13.5 MB
  • 2.2.3. Сверточные нейронные сети/1.8. Задача детектирования.mp4 13.5 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/1.2. Основные функции систем управления данными ч1.mp4 13.4 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/2.1. Проектирование данных.mp4 13.3 MB
  • 1.2.3. Описательная статистика и точечные оценки/1.1. Введение и мотивировка.mp4 13.3 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/1.7. Условная вероятность.mp4 13.3 MB
  • 1.2.2. Законы распределения случайных величин/1.3. Примеры абсолютно непрерывных распределений.mp4 13.2 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/4.4. Индексы.mp4 13.2 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.2. Autograd и TF.mp4 13.2 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/1.1. Основная идея метода опорных векторов.mp4 13.2 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/2.5. Дисперсия, ковариация, корреляция.mp4 13.1 MB
  • 2.1.1. Обзор направлений и методов машинного обучения, основные тренды в ИИ, библиотеки для Data Science/1.5.Классическое обучение обучение без учителя.mp4 13.1 MB
  • 1.1.5. NoSQL хранилища/2.1 Основы Redis.mp4 13.1 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/2.4. Создание таблиц.mp4 13.0 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.7. Неопределенность Джини .mp4 13.0 MB
  • 2.2.3. Сверточные нейронные сети/1.10. Построение сверточного автоэнкодера к 1.8..mp4 13.0 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/3.5. Агломеративная кластеризация.mp4 12.9 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/3.1. Оператор SELECT.mp4 12.9 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.9. Примеры использования МГК.mp4 12.9 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.6. Функции ценности состояний и действий.mp4 12.9 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/3.6. Пример хруст и сладость продуктов. Дендрограмма. Каменистая осыпь.mp4 12.9 MB
  • 1.2.3. Описательная статистика и точечные оценки/2.3. Эмпирическая функция распределения.mp4 12.8 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/1.5. Введение в реляционные базы данных.mp4 12.8 MB
  • 1.2.2. Законы распределения случайных величин/2.4. Вычисление математического ожидания у некоторых распределений.mp4 12.8 MB
  • 1.1.1. Введение в науку о данных, инструменты для обработки данных/2.4. Сортировка и фильтрация данных.mp4 12.7 MB
  • 2.2.3. Сверточные нейронные сети/1.4. Пример решения задачи классификации.mp4 12.6 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 1 Интуитивный подход к алгоритму k-NN.mp4 12.6 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.4. Бутстрэп.mp4 12.5 MB
  • 2.2.3. Сверточные нейронные сети/1.7. Сверточная сеть для решения задач детектирования к 1.6..mp4 12.5 MB
  • 1.1.5. NoSQL хранилища/1.4. Примеры NoSQL систем.mp4 12.5 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.7. Пример использования Keras для решения задачи регрессии.mp4 12.5 MB
  • 2.2.3. Сверточные нейронные сети/1.17. Практические моменты обучения НС (продолжение).mp4 12.4 MB
  • 2.2.3. Сверточные нейронные сети/1.5. Сверточная сеть для решения задач сегментации к 1.4..mp4 12.3 MB
  • 2.2.1. Понятие полносвязной сети/2.9. Функции активации (продолжение).mp4 12.3 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/3.1. Анализ временных рядов.mp4 12.2 MB
  • 2.2.3. Сверточные нейронные сети/1.9. Построение простого автоэнкодера к 1.8..mp4 12.1 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.4. Энтропия и прирост информации.mp4 12.1 MB
  • 1.2.2. Законы распределения случайных величин/1.2. Абсолютно непрерывное распределение.mp4 12.1 MB
  • 1.1.2. Python для анализа данных/1.4. Функции, модули и библиотеки.mp4 12.1 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/2.3. Преобразование ER-модели в БД.mp4 12.1 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/2.2. Совместное распределение случайных величин. Независимость.mp4 11.8 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/3.7. Функция распределения случайной величины.mp4 11.7 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/2.9. Предельные теоремы.mp4 11.6 MB
  • 1.1.2. Python для анализа данных/1.6. Словари.mp4 11.6 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.2. Идея метода на частном примере.mp4 11.6 MB
  • 1.1.5. NoSQL хранилища/3.3 Выборка данных из коллекций.mp4 11.5 MB
  • 2.2.1. Понятие полносвязной сети/2.4. Градиентный и стохастический градиентный спуски.mp4 11.4 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.4. Пример использования TensorFlow для решения задачи регрессии.mp4 11.4 MB
  • 1.1.5. NoSQL хранилища/1.1. Введение в NoSQL.mp4 11.3 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 2 Метрики.mp4 11.2 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.1. Введение в деревья принятия решений.mp4 11.2 MB
  • 2.2.4. Рекуррентные НС/1.3. LSTM сети.mp4 11.1 MB
  • 1.1.5. NoSQL хранилища/4.4. Введение и проектирование Neo4j.mp4 11.1 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.2. k-рукий бандит.mp4 11.1 MB
  • 2.1.2. Задача регрессии/2.3. Логистическая функция.mp4 11.0 MB
  • 1.2.2. Законы распределения случайных величин/2.1. Монотонные преобразования.mp4 11.0 MB
  • 1.1.5. NoSQL хранилища/3.2 Начало работы с MongoDB.mp4 10.8 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.2. Повторные выборки.mp4 10.7 MB
  • 2.2.1. Понятие полносвязной сети/1.4. AI effect и основные решаемые задачи.mp4 10.6 MB
  • 1.2.3. Описательная статистика и точечные оценки/5.1. Понятие гипотезы.mp4 10.6 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.1. Глубина нейронныйх сетей и некоторые проблемы обучения.mp4 10.6 MB
  • 2.1.1. Обзор направлений и методов машинного обучения, основные тренды в ИИ, библиотеки для Data Science/1.1.Введение.mp4 10.5 MB
  • 2.2.4. Рекуррентные НС/1.8. Attention. Transformers.mp4 10.5 MB
  • 1.1.5. NoSQL хранилища/3.5 Редактирование данных и индексы.mp4 10.5 MB
  • 2.2.1. Понятие полносвязной сети/2.6. Многослойный перцептрон и backpropagation.mp4 10.4 MB
  • 1.1.5. NoSQL хранилища/4.5. Работа с данными.mp4 10.4 MB
  • 1.2.3. Описательная статистика и точечные оценки/3.2. Точечные оценки и их свойства.mp4 10.3 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/1.3. Простейшее вероятностное пространство.mp4 10.3 MB
  • 1.2.2. Законы распределения случайных величин/2.8. Различные типы сходимостей и их связи.mp4 10.3 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/3.1. Виды кластеров и множественность алгоритмов.mp4 10.3 MB
  • 1.2.2. Законы распределения случайных величин/1.5. Дискретное и абсолютно непрерывное многомерные распределения.mp4 10.3 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/2.3. Медиана и математическое ожидание.mp4 10.3 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.5. Некоторые сведения из линейной алгебры.mp4 10.2 MB
  • 1.1.5. NoSQL хранилища/3.1 Основы MongoDB.mp4 10.2 MB
  • 1.1.5. NoSQL хранилища/4.3. Работа с данными.mp4 10.2 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/10._NoSQL_хранилища_2021.pdf 10.2 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/3.6. Соединение таблиц.mp4 10.1 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/3.3. Сигма-алгебра событий.mp4 10.1 MB
  • 2.2.4. Рекуррентные НС/1.2. Глубокие архитектуры RNN.mp4 10.0 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/3.4. Вероятностная мера и вероятностное пространство.mp4 10.0 MB
  • 1.1.5. NoSQL хранилища/1.3. Технологии.mp4 10.0 MB
  • 2.1.2. Задача регрессии/2.5. Нахождение параметров модели.mp4 10.0 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/3.2. Сглаживание временных рядов.mp4 10.0 MB
  • 1.2.3. Описательная статистика и точечные оценки/4.5. Асимптотический доверительный интервал для семейства распределений Бернулли.mp4 9.9 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/1.6. Примеры использования комбинаторики.mp4 9.9 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/1.1. Задачи визуализации.mp4 9.8 MB
  • 2.2.4. Рекуррентные НС/1.6. Нормализация по мини-батчам.mp4 9.8 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.7. Восстановление признаков.mp4 9.8 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/1.1. Пространство элементарных исходов.mp4 9.8 MB
  • 1.2.2. Законы распределения случайных величин/2.6. Вычисление дисперсий некоторых распределений.mp4 9.7 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/2.4. Свойства математического ожидания.mp4 9.7 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/5._Работа_с_временными_рядами_2022.pdf 9.7 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/2.8. Закон больших чисел.mp4 9.6 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/2.8. Применение деревьев принятия решений.mp4 9.6 MB
  • 1.1.4. Системы управления базами данных. Обработка структурированных данных/3.5. Теоретико-множественные операции.mp4 9.6 MB
  • 2.2.3. Сверточные нейронные сети/1.11. Автокодировщики.mp4 9.5 MB
  • Тексты лекций/Модуль 3 (Машинное обучение)/9.Ансамбли.pdf 9.5 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/14._Neo4j_2021.pdf 9.5 MB
  • 2.2.1. Понятие полносвязной сети/2.1. Однослойный перцептрон.mp4 9.5 MB
  • 1.2.3. Описательная статистика и точечные оценки/1.4. Оценки параметров распределения.mp4 9.4 MB
  • 1.2.2. Законы распределения случайных величин/2.9. Закон больших чисел. Центральная предельная теорема.mp4 9.3 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/1.4. Рассмотрение конкретного примера.mp4 9.3 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.6. Бэггинг.mp4 9.3 MB
  • 2.2.1. Понятие полносвязной сети/1.6. Обучение и переобучение в ML.mp4 9.2 MB
  • 1.1.3. Визуализация данных. Анализ и преобразование данных. Работа с временными рядами/2.2. Преобразование данных.mp4 9.2 MB
  • 1.2.3. Описательная статистика и точечные оценки/1.6. Интервальное оценивание.mp4 9.1 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.1. Наводящие размышления.mp4 9.1 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/3.1. Определение геометрической вероятности.mp4 9.0 MB
  • 2.1.1. Обзор направлений и методов машинного обучения, основные тренды в ИИ, библиотеки для Data Science/1.7.Ансамблевые методы и нейросети.mp4 9.0 MB
  • 1.2.3. Описательная статистика и точечные оценки/3.3. Метод моментов для одномерного параметра.mp4 8.9 MB
  • 2.2.3. Сверточные нейронные сети/1.15. Инициализация весов к 1.14..mp4 8.8 MB
  • 1.2.2. Законы распределения случайных величин/2.3. Медиана и математическое ожидание.mp4 8.7 MB
  • 1.2.2. Законы распределения случайных величин/1.4. Совместное распределение случайных величин.mp4 8.7 MB
  • 1.2.3. Описательная статистика и точечные оценки/1.5. Сравнение оценок.mp4 8.5 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/1.2. События и операции над ними.mp4 8.4 MB
  • 2.1.2. Задача регрессии/2.1. Генеративные и дискриминативные алгоритмы.mp4 8.4 MB
  • 2.2.4. Рекуррентные НС/1.1. Рекуррентные нейронные сети.mp4 8.4 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 5 Взвешенный k-NN.mp4 8.3 MB
  • 2.2.4. Рекуррентные НС/1.4. GRU сети.mp4 8.2 MB
  • 1.2.3. Описательная статистика и точечные оценки/4.2. Точные доверительные интервалы для семейства нормальный распределений.mp4 8.2 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/5 1 Мотивировка и введение.mp4 7.9 MB
  • 2.1.2. Задача регрессии/1.7. Оценка точности модели.mp4 7.9 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.4. Пример нахождения первой главной компоненты.mp4 7.8 MB
  • 1.2.3. Описательная статистика и точечные оценки/2.4. Гистограмма.mp4 7.7 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/2.1. Понятие случайной величины.mp4 7.7 MB
  • 2.1.2. Задача регрессии/2.8. Многоклассовая логистическая регрессия.mp4 7.7 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.8. Стекинг.mp4 7.6 MB
  • 2.2.4. Рекуррентные НС/1.12. LRScheduling.mp4 7.5 MB
  • 1.2.3. Описательная статистика и точечные оценки/4.1. Понятие доверительного интервала.mp4 7.5 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 11 Классификация писем. Сглаживание по Лапласу.mp4 7.5 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/3.9. Пример использования алгоритмов SARSA и Q-обучение.mp4 7.5 MB
  • 1.2.3. Описательная статистика и точечные оценки/1.3. Эмпирическое распределение.mp4 7.5 MB
  • 1.2.3. Описательная статистика и точечные оценки/4.4. Асимптотические доверительные интервалы и примеры их построения.mp4 7.5 MB
  • 2.1.2. Задача регрессии/1.6. Проверка гипотез.mp4 7.4 MB
  • 2.2.1. Понятие полносвязной сети/2.8. Глубокие НС в Sklearn.mp4 7.3 MB
  • 1.2.3. Описательная статистика и точечные оценки/1.2. Мода и выборка.mp4 7.3 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/3.2. Парадокс Бертрана.mp4 7.3 MB
  • 2.2.1. Понятие полносвязной сети/1.3. Что же такое DL.mp4 7.2 MB
  • 1.2.2. Законы распределения случайных величин/2.2. Функции от нескольких случайных величин.mp4 7.2 MB
  • 1.2.3. Описательная статистика и точечные оценки/2.2. Выборочное распределение.mp4 7.2 MB
  • 1.1.2. Python для анализа данных/1.1. Введение в Python.mp4 7.2 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.9. Гиперпараметры и их подбор.mp4 7.1 MB
  • 2.1.2. Задача регрессии/1.3. Пример модели линейной регрессии.mp4 6.9 MB
  • 1.2.2. Законы распределения случайных величин/1.6. Независимость случайных величин.mp4 6.9 MB
  • 1.2.3. Описательная статистика и точечные оценки/4.6. Асимптотическая нормальность оценки и построение доверительных интервалов.mp4 6.9 MB
  • 1.2.3. Описательная статистика и точечные оценки/3.1. Точечное оценивание.mp4 6.9 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 8 Проклятие размерности.mp4 6.8 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/3.5. Условная вероятность независимость и независимость в совокупности.mp4 6.8 MB
  • 2.2.1. Понятие полносвязной сети/1.5. Ключевое отличие DL.mp4 6.8 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 3 Классификация методом k-NN.mp4 6.8 MB
  • Тексты лекций/Модуль 4 (Глубокое обучение)/5._Рекуррентные_НС.pdf 6.7 MB
  • 2.2.4. Рекуррентные НС/1.10. BERT.mp4 6.7 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 7 Пример взвешенный k-NN и k-блочная кросс-валидация.mp4 6.7 MB
  • Тексты лекций/Модуль 3 (Машинное обучение)/6.Энтропия_и_ДПР.pdf 6.6 MB
  • 2.1.2. Задача регрессии/2.6. Отступ и уверенность классификации.mp4 6.6 MB
  • 2.2.1. Понятие полносвязной сети/1.1. Чем занимается классическое ML.mp4 6.6 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/3.6. Понятие случайной величины.mp4 6.5 MB
  • Тексты лекций/Модуль 3 (Машинное обучение)/5.SVM.pdf 6.5 MB
  • 1.2.3. Описательная статистика и точечные оценки/5.2. Понятие критерия. Ошибки 1 и 2 рода.mp4 6.4 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/1.8. Еще один взгляд на пример.mp4 6.4 MB
  • 1.2.2. Законы распределения случайных величин/2.5. Дисперсия и моменты старших порядков.mp4 6.4 MB
  • Тексты лекций/Модуль 3 (Машинное обучение)/1.Введение_МО.pdf 6.3 MB
  • 2.2.1. Понятие полносвязной сети/2.2. Аналитическое построение модели.mp4 6.3 MB
  • 1.2.3. Описательная статистика и точечные оценки/2.1. Основные понятия и задачи математической статистики.mp4 6.3 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.11. Under- and Over-fitting.mp4 6.2 MB
  • 2.1.2. Задача регрессии/1.11. Полиномиальная регрессия.mp4 6.2 MB
  • 1.2.3. Описательная статистика и точечные оценки/5.4. Критерий Колмогорова.mp4 6.2 MB
  • 2.1.2. Задача регрессии/2.2. Построение модели логистической регрессии.mp4 6.1 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 10 Пример классификации.mp4 6.1 MB
  • 2.1.3. Задача классификации. k-NN и наивный байесовский классификатор, логистическая регрессия, SVM, ДПР/4 4 Пример классификации.mp4 6.0 MB
  • 2.2.3. Сверточные нейронные сети/1.16. Dropout к 1.14..mp4 5.9 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/8._Запросы_на_языке_SQL.pdf 5.8 MB
  • 2.1.4. Задача кластеризации. K-means. DBSCAN. иерархическая кластеризация/3.3. Пример хруст и сладость продуктов.mp4 5.8 MB
  • 2.1.2. Задача регрессии/1.8. Пример на реальных данных.mp4 5.7 MB
  • 2.2.1. Понятие полносвязной сети/1.2. Основные разделы ML.mp4 5.7 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.1. Наводящие размышления.mp4 5.6 MB
  • Тексты лекций/Модуль 3 (Машинное обучение)/10.Подкрепление.pdf 5.6 MB
  • 2.1.1. Обзор направлений и методов машинного обучения, основные тренды в ИИ, библиотеки для Data Science/1.6.Обучение с подкреплением.mp4 5.6 MB
  • Тексты лекций/Модуль 4 (Глубокое обучение)/1. Введение.pdf 5.5 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/12._MongoDB_2021.pdf 5.5 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/7_Проектирование_структурированных_данных.pdf 5.4 MB
  • 1.2.3. Описательная статистика и точечные оценки/3.5. Метод моментов для многомерного параметра.mp4 5.3 MB
  • 2.1.5. Снижение размерности, ансамбли, обучение с подкреплением/2.9. Случайный лес.mp4 5.3 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/1.8. Схема Бернулли.mp4 5.2 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/2.Python.pdf 5.2 MB
  • 1.2.3. Описательная статистика и точечные оценки/2.6. Выборочные квантили.mp4 4.9 MB
  • 2.1.2. Задача регрессии/2.7. Сравнение линейной и логистической регрессий.mp4 4.9 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/2.6. Пример на вычисление всего всего.mp4 4.9 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/11._Redis_2021.pdf 4.9 MB
  • 1.2.3. Описательная статистика и точечные оценки/3.6. Модельный пример.mp4 4.8 MB
  • Тексты лекций/Модуль 3 (Машинное обучение)/2.Регрессия.pdf 4.8 MB
  • 1.2.3. Описательная статистика и точечные оценки/3.7. Общее описание ММП.mp4 4.7 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/4._Анализ_и_преобразование_данных.pdf 4.6 MB
  • Тексты лекций/Модуль 3 (Машинное обучение)/3.Классификаторы_KNN_и_наивный_байес.pdf 4.5 MB
  • 1.2.3. Описательная статистика и точечные оценки/5.6. Гипотезы о равенстве средних двух нормальных выборок при равных дисперсиях.mp4 4.3 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/13._Cassandra_2021.pdf 4.3 MB
  • 2.2.4. Рекуррентные НС/1.11. Советы по градиентам.mp4 4.2 MB
  • 1.2.3. Описательная статистика и точечные оценки/5.3. Критерии согласия.mp4 4.2 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/1._Введение_в_науку_о_данных.pdf 4.2 MB
  • 2.1.1. Обзор направлений и методов машинного обучения, основные тренды в ИИ, библиотеки для Data Science/1.3.Мир машинного обучения и ИИ.mp4 4.1 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/1.4. Классическое определение вероятности.mp4 4.1 MB
  • Тексты лекций/Модуль 3 (Машинное обучение)/7.Кластеризация.pdf 4.0 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/9._Объекты_базы_данных.pdf 3.9 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/6_Системы_управления_базами_данных.pdf 3.7 MB
  • 1.2.2. Законы распределения случайных величин/2.7. Ковариация и корреляция.mp4 3.6 MB
  • 2.2.3. Сверточные нейронные сети/1.2. Типичные задачи, решаемые сверточными НС.mp4 3.6 MB
  • Тексты лекций/Модуль 2 (Прикладная статистика)/Лекция_8._Точечное_оценивание.pdf 3.4 MB
  • Тексты лекций/Модуль 3 (Машинное обучение)/4.LogisticRegression.pdf 3.4 MB
  • 2.2.1. Понятие полносвязной сети/2.5. Функции активации (начало).mp4 3.2 MB
  • Тексты лекций/Модуль 3 (Машинное обучение)/8.МГК.pdf 3.1 MB
  • 1.2.3. Описательная статистика и точечные оценки/5.5. Критерий однородности.mp4 3.1 MB
  • Тексты лекций/Модуль 2 (Прикладная статистика)/Лекция_9._Точные_и_асимптотические_доверительные_интервалы.pdf 3.1 MB
  • Тексты лекций/Модуль 2 (Прикладная статистика)/Лекция_7._Выборочные_характеристики.pdf 3.1 MB
  • 1.2.3. Описательная статистика и точечные оценки/3.9. Состоятельность оценки ММП.mp4 3.0 MB
  • 1.2.3. Описательная статистика и точечные оценки/3.4. Состоятельность оценки метода моментов.mp4 3.0 MB
  • 1.2.1. Случайные события, вероятность и случайные величины/2.7. Параметры схемы Бернулли.mp4 2.9 MB
  • 2.2.4. Рекуррентные НС/1.7. Практика.mp4 2.9 MB
  • 1.2.3. Описательная статистика и точечные оценки/5.7. Гипотеза о равенстве дисперсий двух нормальных выборок.mp4 2.7 MB
  • Тексты лекций/Модуль 4 (Глубокое обучение)/3. Инструменты обучения НС.pdf 2.1 MB
  • 1.2.3. Описательная статистика и точечные оценки/5.9. Гипотеза о среднем нормальной выборки при неизвестной дисперсии.mp4 2.0 MB
  • Тексты лекций/Модуль 2 (Прикладная статистика)/Лекция_4._Типы_распределений_случайных_величин.pdf 2.0 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/3._Визуализация_данных.pdf 1.8 MB
  • 1.2.3. Описательная статистика и точечные оценки/5.8. Гипотеза о среднем нормальной выборки при известной дисперсии.mp4 1.8 MB
  • 1.2.3. Описательная статистика и точечные оценки/5.10. Заключительные слова.mp4 1.8 MB
  • 2.2.3. Сверточные нейронные сети/1.14. Практические моменты обучения НС.mp4 1.7 MB
  • 2.2.2. Инструменты построения и обучения нейронных сетей, оптимизаторы/1.5. Keras.mp4 1.6 MB
  • Тексты лекций/Модуль 2 (Прикладная статистика)/Лекция_5._Числовые_характеристики__сходимость.pdf 1.3 MB
  • Тексты лекций/Модуль 2 (Прикладная статистика)/Лекция_6._Установочная_лекция_по_статистике.pdf 1.1 MB
  • Тексты лекций/Модуль 2 (Прикладная статистика)/Лекция_3._Общее_понятие_вероятностного_пространства.pdf 1.0 MB
  • Тексты лекций/Модуль 1 (Хранение и обработка данных)/2._Инструменты_обработки_данных.pdf 976.3 kB
  • Тексты лекций/Модуль 2 (Прикладная статистика)/Лекция_10._Проверка_гипотез.pdf 975.1 kB
  • Тексты лекций/Модуль 2 (Прикладная статистика)/Лекция_2._Простейшие_случайные_величины.pdf 968.9 kB
  • Тексты лекций/Модуль 2 (Прикладная статистика)/Лекция_1._Простейшая_теория_вероятностей.pdf 939.1 kB

随机展示

相关说明

本站不存储任何资源内容，只收集BT种子元数据(例如文件名和文件大小)和磁力链接(BT种子标识符)，并提供查询服务，是一个完全合法的搜索引擎系统。 网站不提供种子下载服务，用户可以通过第三方链接或磁力链接获取到相关的种子资源。本站也不对BT种子真实性及合法性负责，请用户注意甄别！