Руслан Сенаторов: Субградиент на python. Data Science

Этот курс содержит использование искусственного интеллекта.

Искусственный интеллект использовался при подготовке описания и изображения курса. Лекции, программный код и остальные учебные материалы созданы и проверены преподавателем.

Субградиент — важная идея в математической оптимизации и машинном обучении, которая помогает работать с функциями, у которых обычная производная существует не во всех точках. Такие функции часто встречаются на практике: например, абсолютная ошибка MAE, L1-регуляризация, Lasso и другие методы, связанные с негладкими функциями потерь. Если вы хотите понять, как обучать модели в подобных случаях и почему классического градиента иногда недостаточно, этот курс даст понятное введение в тему.

В курсе мы разберём, чем субградиент отличается от обычного градиента и почему в точке излома может существовать не одно направление, а целое множество допустимых значений. Вы увидите, как выглядит субдифференциал, как его интерпретировать геометрически и как использовать эту идею в задачах минимизации. Основной акцент будет сделан на понятное объяснение без лишней формальности, но с сохранением математического смысла.

Практическая часть курса посвящена реализации субградиентного метода на Python. Мы рассмотрим простые негладкие функции, построим визуализации, проследим движение алгоритма к минимуму и обсудим влияние шага обучения на сходимость. Отдельное внимание будет уделено связи субградиента с машинным обучением: MAE, L1-регуляризацией и задачами, где важно учитывать выбросы или получать разреженные решения.

Курс подойдёт студентам, аналитикам данных, начинающим специалистам Data Science и Python-разработчикам, которые хотят глубже понять оптимизацию и математические основы ML. После прохождения курса вы сможете объяснять идею субградиента, применять её к негладким функциям и реализовывать базовые алгоритмы на Python. SenatorovAI