Comments 15
А почему не указали численные методы, исследование операций?
Например исследования Рунге и Кутта в том числе про рост ошибки вычислений или про интерполяцию и экстраполяцию. Тот же симплекс метод, позволяющий очень хорошо оптимизировать и т.д. А ряды Тейлора? Преобразование Адамара, Фурье спектр?
Или теоремы про вычеты конформной функции или...
Да тут нет и половины того, что нужно для правильного прикладывания математики к реальности
Доброго времени суток!
Для правильного прикладывания математики к реальности здесь нет вообще очень много чего, поскольку "правильное прикладывание математики к реальности" - довольно широкая тема.
Тема данной статьи была немного более узкой и конкретной.
Если у вас есть ссылки на бесплатные и толковые курсы/статьи/книги/лекции/прочие материалы на обозначенные вами темы, поделитесь ими пожалуйста, я с удовольствием с ними ознакомлюсь!)))
Это не про широту исследования. Одна из работ Рунге и Кутта была про точность вычислений. Т.е. на каждом шаге вычислений накапливается ошибка и еë нужно знать. Сейчас точность чисел в ЭВМ весьма приличная, но и шагов много, гораздо больше. Разрядов меньше - скорость больше - точность хуже.
И вот этот простой аспект, очень узкий никак и нигде не ни на каких курсах не изучается.
Это как пример узкого очень вопроса, но таких узких так много, что в совокупности они шире самого курса.
Я уж не стану вспоминать, что использование float тоже чревато, если не понимать форму хранения.
Я согласен с такими опасениями. Но важно понимать, что современные инструменты DataScience позволяют избежать ошибок, даже не особо разбираясь в вопросе. К слову, вот отличная статья о том, что каждый DataScientist должен знать о вопросе, который Вы затронули - https://diybigdata.net/2016/07/data-science-and-floating-point-arithmetic/ - и там прямо указывается, что в том же Питоне есть средства коррекции этих ошибок встроенные. В кишках numpy/scikit/pandas не копался, но ЕМНИП там это тоже встроено по умолчанию. Поэтому данная тема особо прям на курсах и не изучается.
"Одна из работ" - какая именно?)) Поделитесь пожалуйста или хотя бы скажите название работы, чтобы можно было ее найти и почитать.
Тема действительно довольно интересная и я пока что не сталкивался с ней в курсах, имеющихся в свободном доступе.
Можно, конечно, посмотреть лекцию типа вот такой, но круто было бы почитать первоисточник.
спасибо за признание, что решили задачу только со 117 попытки. Стало любопытно, какой же там ответ)
Статья интересная и полезная, спасибо автору.
Порекомендовал бы чисто от себя курсы на Coursera от IBM по DataScience, вполне себе очень даже неплохой!
Ну да, тоже норм вариант))
На ютюбчике у IBM тоже есть небольшая подборка по AI Essentials.
Можно начать с нее, а потом пойти на их специализацию на Coursera.
За подборку спасибо, но с ресурсами для обучения не согласен: есть более крутые курсы, в которых придётся реализовывать весь ML с нуля на питоне, например, как в курсах Andrew NG, а по математике есть mathprofi и канал the bright sight of mathematics, где объяснение гораздо круче.
К сожалению, курсы по ML на степике очень поверхностные: да, вам дадут формулы и покажут как писать fit/predict в sklearn, но ни доказательства формул, ни реализации алгоритмов вручную там нет, а юзать алгоритмы как магию без понимания их сути изнутри - просто путь в никуда. Такая же проблема и с mlcourse от ODS.
Не подскажете, пожалуйста, курс для новичков от Andrew NG?
Кстати, я сейчас прохожу один из курсов на Степике, как вы и упомянули, да, он действительно очень простой, но идеален для новичков. Самое то для входа.
Что там идеального в курсах на степике? Если я вас попрошу реализовать дерево решений CART или XGBoost, или хотя бы регрессию с нуля на питоне, вы сделаете это? Никогда, если не пройдете нормальные курсы и не прочитаете норм литературу.
На русском есть mlcourse и хендбуки от яндекса, но это всё шляпа.
Для старта есть курс по ML Andrew NG на курсере и 2 книги: 'introduction to statistical learning' и 'hands-on machine learning'. К сожалению, даже в этих материалах не всегда хватает инфы по реализации, поэтому придётся ещё много чего гуглить.
Изучая ML, про русский язык стоит забыть вообще: тут вас никто ничему не научит, увы - только топовые курсы и книги от топовых компаний и универов, а это всё исключительно на английском.
Полезные материалы по Data Science и машинному обучению, которые помогут пройти сквозь джунгли из терминов