Какую водку можно пить, а какую нет. Чем закусывать, как правильно питаться. Что такое разруха и где её начало. И ещё много много полезной информации.
Шедевр советского кино и литературы.
Доход от рекламы получает правообладатель YUPiter Ltd
Лектор: Сосновских Елена Геннадьевна, кандидат исторических наук, доцент кафедры социологии и политологии ЮУрГУ, старший преподаватель кафедры «Международные отношения и зарубежное регионоведение» ЮУрГУ vk.com/deti.susu
Иерархический кластерный анализ. Кластер, расстояния между объектами, расстояния между кластерами. Алгоритм построения дендрограммы. Каменистая осыпь/локоть. Стандартизация данных. Типичные ошибки при подготовке данных. Интрепретация результатов.
Лекция №3 в курсе «Анализ данных на Python в примерах и задачах. Часть 1» (весна 2018).
Преподаватель курса: Вадим Леонардович Аббакумов
Проверка статистических гипотез (теоретическое введение).
Гипотезы согласия, однородности, независимости, гипотезы о параметрах распределения.
Ошибки первого и второго рода, р-значение и уровень значимости, алгоритм проверки статистической гипотезы и интерпретация результатов. Гипотеза о нормальности распределения. Критерии Шапиро-Уилка и Колмогорова-Смирнова. Несущественные отклонения от нормальности. Сравнение выборок. Независимые и парные выборки. Выбор между t-критерием Стъюдента, критерием Манна-Уитни-Вилкоксона и критерием Муда. Разновидности t-критериев Стъюдента и сравнение дисперсий. Визуализация при сравнениях. Односторонние и двусторонние тесты.
Независимость. Коэффициенты корреляции Пирсона, Кендалла и Спирмена, типичные ошибки при изучении связи между двумя явлениями. Визуальная проверка выводов.
Лекция №5 в курсе «Анализ данных на Python в примерах и задачах. Часть 1» (весна 2018).
Преподаватель курса: Вадим Леонардович Аббакумов
Цель курса — познакомить слушателей с сферой анализа данных, основными инструментами, задачами и методами, с которыми сталкивается исследователь данных в работе
Область применения компьютерного зрения очень широка: от считывателей штрихкодов в супермаркетах до дополненной реальности. На лекции мы поговорим о том, где используется и как работает компьютерное зрение, как выглядят изображения в цифрах, какие задачи в этой области решаются относительно легко, какие трудно, и почему.
Сейчас мы не знаем ограничений, которые запрещали бы создание искусственного интеллекта (ИИ), приближенного к человеческому. Но пока мы не знаем и того, как сделать такой ИИ. Прорыв может быть связан с увеличением производительности компьютеров, появлением больших баз данных и машинным обучением. Многослойные нейросети дают надежду построить искусственный интеллект, работающий по образцу человеческого мозга. Каждая такая сеть подобна команде, в которой каждый решает свою задачу, и общаясь с другими элементами, помогает сообща понимать обстановку, вырабатывать нужные решения и предпринимать действия. При это нейросети могут не только понимать реальность, но и предсказывать, как будут развиваться события. По сути, они деконструируют работу мозга. Такие системы способны обучаться самостоятельно, на примерах правильного решения задач.
О том, как люди обучают машины вести себя по-человечески, расскажет кандидат физико-математических наук, руководитель проекта iPavlov, заведующий лабораторией нейронных систем и глубокого обучения Московского физико-технического института (МФТИ) Михаил Бурцев в третьей лекции цикла «Экономика наступившего будущего» в рамках просветительского проекта открытых лекций Фонда Егора Гайдара «Экономический факультет».
Модератор мероприятия: Борис Грозовский.
Лекция состоится 19 декабря в 19:00 в Особняке на Волхонке (Большой Знаменский переулок, дом 2, строение 3).
Анализ главных компонент и факторный анализ. Задачи, решаемые с помощью факторного анализа. Математические модели анализа главных компонент и факторного анализа. Факторные нагрузки, факторные метки, их интерпретация. Вращения факторов. Интерпретация факторов.
Лекция №12 в курсе «Анализ данных на R в примерах и задачах» (весна 2016).
Преподаватель курса: Вадим Леонардович Аббакумов
Страница лекции на сайте CS центра: goo.gl/wGKd4e
Ссылка на все лекции курса: goo.gl/1VmEdf