Russian Courses
Logo

🎙️ Курсы на английском — смотрите с русской или оригинальной озвучкой и субтитрами

🎓

Единая подписка на два сервиса

Оформите PRO подписку на сайте Learn Free Courses и получите доступ ко всем премиум курсам здесь + безлимитный перевод видео на Udemy через расширение Udemy Translator.

Оформить подписку

✨ Что вы получаете:

  • ✓ Все премиум курсы с русской озвучкой
  • ✓ Материалы, субтитры, конспекты
  • ✓ Безлимитный перевод видео (Udemy Translator PRO)
  • ✓ Одна подписка — два сервиса

📋 Как активировать:

  1. Оформите подписку на сайте Learn Free Courses
  2. Скопируйте API ключ из профиля на том сайте
  3. Вставьте ключ в настройках профиля здесь
Бесплатно

Теория вероятностей и статистика для машинного обучения и науки о данных (Курс 3)

Оригинал: Course 3 - Probability and Statistics for Machine Learning & Data Science

8 ч 25 мин Машинное обучение 99 уроков Уроки на русском языке 🎤 Новый перевод
Оригинальный источник

Скачать курс по Машинное обучение. Теория вероятностей и статистика для машинного обучения и науки о данных (Курс 3)

Нужен архив курса целиком?

Мы отправим ссылку на полный архив с оригиналом, переводом и материалами. Просто напишите администратору info@russiancourses.net и укажите, что именно нужно (можем поделиться вариантами отдельно).

Пропущены номера уроков?

Если в нумерации есть паузы, значит часть занятий текстовые или в виде файлов. Их можно найти в разделе «Материалы курса»: скачайте архив, чтобы получить все конспекты и дополнительные задания.

Превью: 1.1. Введение в курс

Превью: 1.1. Введение в курс

Это первый урок бесплатного курса "Теория вероятностей и статистика для машинного обучения и науки о данных (Курс 3)". Зарегистрируйтесь для доступа ко всем 99 урокам курса.

Регистрация Войти

Раздел

О курсе

8 ч 25 мин 99 уроков Машинное обучение
Освойте вероятности и статистику — ключевые инструменты анализа данных и машинного обучения 📊

Probability and Statistics for Machine Learning & Data Science — третий курс программы Mathematics for Machine Learning and Data Science от DeepLearning.AI под руководством Луиса Серрано. Этот курс поможет вам научиться описывать неопределённость, анализировать данные и оценивать качество моделей машинного обучения через призму статистики и теории вероятностей.
Вы научитесь:

  • 🎲 Описывать и количественно измерять неопределённость в прогнозах моделей машинного обучения с помощью понятий вероятности, случайных величин и распределений
  • 📈 Визуально и интуитивно понимать свойства часто используемых распределений: Бернулли, биномиального и нормального (гауссовского)
  • 📊 Применять статистические методы, такие как оценка максимального правдоподобия (MLE) и максимизация априорной вероятности (MAP)
  • ⚙️ Оценивать производительность моделей с помощью доверительных интервалов и погрешностей
  • 🧪 Применять методы статистических гипотез к популярным тестам в data science, например A/B-тестированию
  • 🔍 Проводить исследовательский анализ данных (EDA) для выявления и подтверждения закономерностей в наборах данных
Почему этот курс важен:

Без прочного понимания вероятности и статистики невозможно построить надёжные модели. Эти инструменты лежат в основе всех методов машинного обучения — от анализа распределений до оценки точности моделей. Курс научит вас использовать их интуитивно и осознанно, применяя в реальных задачах.
Вы освоите:

  • 📊 Основы вероятностного моделирования и анализа данных
  • 🧮 Методы статистической оценки и проверки гипотез
  • 🐍 Реализацию статистических моделей на Python
  • 📉 Интерпретацию и визуализацию результатов экспериментов
Курс включает:

  • 🎓 4 модуля, обновлённые в 2024 году
  • 💻 Лабораторные упражнения на Python с использованием библиотек машинного обучения
  • 🧠 Простые визуализации, объясняющие ключевые идеи статистики
  • 📜 Сертификат, подтверждающий практические знания в анализе данных
Рекомендуется: иметь школьные знания по алгебре и функциям, а также базовые навыки программирования (циклы, условия, структуры данных). Все задания выполняются в Python и сопровождаются пояснениями по используемым библиотекам.
Итог: после прохождения курса вы будете понимать, как использовать вероятности и статистику для оценки, улучшения и интерпретации моделей машинного обучения, а также уверенно применять эти методы в реальных аналитических проектах.

Сводка

Информация о курсе

Категория

Машинное обучение

Длительность

505 мин

Назад к бесплатным курсам

  • 1. 1.1. Введение в курс

    Оригинал: 1.1. Course Introduction

    RU

  • 2. 1.3. Заметка о программировании

    Оригинал: 1.3.A Note On Programming Experience

    RU

  • 3. 1.5. Что такое Probability

    Оригинал: 1.5. What Is Probability

    RU

  • 4. 1.6. Введение в вероятность: Пример с кубиком 1

    Оригинал: 1.6. Introduction To Probability Dice Example 1

    RU

  • 5. 1.8. Дополнение вероятности

    Оригинал: 1.8. Complement Of Probability

    RU

  • 6. 1.9. Сумма вероятностей

    Оригинал: 1.9. Sum Of Probabilities

    RU

  • 7. 1.10. Сумма вероятностей (совместные события)

    Оригинал: 1.10. Sum Of Probabilities (Joint Events)

    RU

  • 8. 1.11. Независимость

    Оригинал: 1.11. Independence

    RU

  • 9. 1.12. Задача о днях рождения

    Оригинал: 1.12. Birthday Problem

    RU

  • 10. 1.13. Условная вероятность Часть 1

    Оригинал: 1.13. Conditional Probability Part 1

    RU

  • 11. 1.14. Условная вероятность. Часть 2

    Оригинал: 1.14. Conditional Probability Part 2

    RU

  • 12. 1.16. Теорема Байеса

    Оригинал: 1.16. Bayes Theorem

    RU

  • 13. 1.17. Теорема Байеса и математическая формула

    Оригинал: 1.17. Bayes Theorem Mathematical Formula

    RU

  • 14. 1.19. Теорема Байеса на примере спама

    Оригинал: 1.19. Bayes Theorem Spam Example

    RU

  • 15. 1.20. Теорема Байеса: априорное и апостериорное

    Оригинал: 1.20. Bayes Theorem Prior And Posterior

    RU

  • 16. 1.21. Теорема Байеса и модель наивного Байеса

    Оригинал: 1.21. Bayes Theorem The Naive Bayes Model

    RU

  • 17. 1.22. Вероятность в Machine Learning

    Оригинал: 1.22.Probability In Machine Learning

    RU

  • 18. 1.22. Случайные переменные

    Оригинал: 1.22. Random Variables

    RU

  • 19. 1.23. Распределения вероятностей

    Оригинал: 1.23. Probability Distributions

    RU

  • 20. 1.24. Биномиальное распределение

    Оригинал: 1.24. Binomial Distribution

    RU

  • 21. 1.25. Биномиальный коэффициент

    Оригинал: 1.25. Binomial Coefficient

    RU

  • 22. 1.26. Распределение Бернулли

    Оригинал: 1.26. Bernoulli Distribution

    RU

  • 23. 1.27. Непрерывные распределения вероятностей

    Оригинал: 1.27. Probability Distributions (Continuous)

    RU

  • 24. 1.28. Функция плотности вероятности

    Оригинал: 1.28.Probability Density Function

    RU

  • 25. 1.29. Функция распределения

    Оригинал: 1.29. Cumulative Distribution Function

    RU

  • 26. 1.31. Равномерное распределение

    Оригинал: 1.31. Uniform Distribution

    RU

  • 27. 1.32. Нормальное распределение

    Оригинал: 1.32. Normal Distribution

    RU

  • 28. 1.33. Распределение хи-квадрат

    Оригинал: 1.33. Chi Squared Distribution

    RU

  • 29. 1.34. Выборка из распределения

    Оригинал: 1.34. Sampling From A Distribution

    RU

  • 30. 1.42. Заключение

    Оригинал: 1.42. Conclusion

    RU

  • 31. 2.1. Математическое ожидание

    Оригинал: 2.1. Expected Value

    RU

  • 32. 2.2. Другие меры центральной тенденции

    Оригинал: 2.2. Other Measures of Central Tendency

    RU

  • 33. 2.3. Мат. ожидание функции

    Оригинал: 2.3. Expected Value Of A Function

    RU

  • 34. 2.4. Сумма математических ожиданий

    Оригинал: 2.4. Sum Of Expectations

    RU

  • 35. 2.5. Дисперсия

    Оригинал: 2.5. Variance

    RU

  • 36. 2.6. Стандартное отклонение

    Оригинал: 2.6. Standard Deviation

    RU

  • 37. 2.7. Пример суммы Гауссиан

    Оригинал: 2.7. Sum Of Gaussians An Example

    RU

  • 38. 2.8. Стандартизация распределения

    Оригинал: 2.8. Standardizing A Distribution

    RU

  • 39. 2.10. Скос и Куртозис

    Оригинал: 2.10. Skewness And Kurtosis

    RU

  • 40. 2.11. Асимметрия и Куртозис

    Оригинал: 2.11. Skewness And Kurtosis

    RU

  • 41. 2.11. Скошенность и Куртозис

    Оригинал: 2.11. Skewness and Kurtosis

    RU

  • 42. 2.12. Квантилы и Box Plots

    Оригинал: 2.12. Quantiles And Box Plots

    RU

  • 43. 2.13. Визуализация данных: Box Plots

    Оригинал: 2.13. Visualizing Data Box Plots

    RU

  • 44. 2.14. Визуализация данных с помощью Kernel Density Estimation

    Оригинал: 2.14. Visualizing Data Kernel Density Estimation

    RU

  • 45. 2.15. Визуализация данных: Violin Plots

    Оригинал: 2.15. Visualizing Data Violin Plots

    RU

  • 46. 2.16. Визуализация данных QQ-графики

    Оригинал: 2.16. Visualizing Data QQ Plots

    RU

  • 47. 2.18. Совместное распределение (дискретное)

    Оригинал: 2.18. Joint Distribution (Discrete)

    RU

  • 48. 2.19. Совместное распределение (дискретное) Часть 2

    Оригинал: 2.19. Joint Distribution (Discrete) Part 2

    RU

  • 49. 2.20. Совместное распределение (непрерывное)

    Оригинал: 2.20. Joint Distribution (Continuous)

    RU

  • 50. 2.21. Маргинальное и условное распределение

    Оригинал: 2.21. Marginal And Conditional Distribution

    RU

  • 51. 2.22. Условное распределение

    Оригинал: 2.22. Conditional Distribution

    RU

  • 52. 2.23. Ковариация в наборе данных

    Оригинал: 2.23. Covariance Of A Dataset

    RU

  • 53. 2.24. Ковариация вероятностного распределения

    Оригинал: 2.24. Covariance Of A Probability Distribution

    RU

  • 54. 2.25. Ковариационная матрица

    Оригинал: 2.25. Covariance Matrix

    RU

  • 55. 2.26. Коэффициент корреляции

    Оригинал: 2.26. Correlation Coefficient

    RU

  • 56. 2.28. Многомерное гауссово распределение

    Оригинал: 2.28. Multivariate Gaussian Distribution

    RU

  • 57. 2.33. Заключение

    Оригинал: 2.33. Conclusion

    RU

  • 58. 3.1. Выборка и популяция

    Оригинал: 3.1. Population and Sample

    RU

  • 59. 3.2. Среднее значение, пропорция и дисперсия

    Оригинал: 3.2. Sample Mean, Proportion, and Variance

    RU

  • 60. 3.3. Выборочная доля

    Оригинал: 3.3. Sample Proportion

    RU

  • 61. 3.4. Выборочная дисперсия

    Оригинал: 3.4. Sample Variance

    RU

  • 62. 3.5. Закон больших чисел

    Оригинал: 3.5. Law Of Large Numbers

    RU

  • 63. 3.6. Центральная предельная теорема

    Оригинал: 3.6. Central Limit Theorem

    RU

  • 64. 3.7. Центральная предельная теорема для непрерывной случайной величины

    Оригинал: 3.7. Central Limit Theorem Continuous Random Variable

    RU

  • 65. 3.10. Точечная оценка

    Оригинал: 3.10. Point Estimation

    RU

  • 66. 3.11. Мотивация метода максимального правдоподобия

    Оригинал: 3.11. Maximum Likelihood Estimation Motivation

    RU

  • 67. 3.12. Пример MLE Бернулли

    Оригинал: 3.12. MLE Bernoulli Example

    RU

  • 68. 3.13. Пример метода максимального правдоподобия для Гауссиана

    Оригинал: 3.13. Maximum Likelihood Gaussian Example

    RU

  • 69. 3.16. МЛЭ Регрессия

    Оригинал: 3.16. MLE Linear Regression

    RU

  • 70. 3.17. Регуляризация

    Оригинал: 3.17. Regularization

    RU

  • 71. 3.18. Вернемся к основам Байеса

    Оригинал: 3.18. Back To Bayesics

    RU

  • 72. 3.19. Фреквентисты против Бэйесианцев

    Оригинал: 3.19. Frequentists Vs Bayesians

    RU

  • 73. 3.20. Обновление ваших убеждений

    Оригинал: 3.20.Updating Your Beliefs

    RU

  • 74. 3.21. Байесовская статистика и обновление априорных данных

    Оригинал: 3.21. Bayesian Statistics Updating Priors

    RU

  • 75. 3.22. Байесовская статистика: пример с распределением Бернулли

    Оригинал: 3.22. Bayesian Statistics Bernoulli Example

    RU

  • 76. 3.23. Связь между MAP, MLE и регуляризацией

    Оригинал: 3.23. Relationship Between MAP, MLE and Regularization

    RU

  • 77. 3.24. Итог недели 3

    Оригинал: 3.24. Week 3 Conclusion

    RU

  • 78. 4.1. Доверительный интервал (известное стандартное отклонение)

    Оригинал: 4.1. Confidence Interval (Known Standard Deviation)

    RU

  • 79. 4.2. Интуиция доверительного интервала

    Оригинал: 4.2. Confidence Interval Intuition

    RU

  • 80. 4.3. Доверительные интервалы и погрешность

    Оригинал: 4.3. Confidence Intervals Margin Of Error

    RU

  • 81. 4.5. Шаги расчета доверительных интервалов

    Оригинал: 4.5. Confidence Intervals Calculation Steps

    RU

  • 82. 4.6. Интервалы доверия - пример

    Оригинал: 4.6. Confidence Intervals Example

    RU

  • 83. 4.7. Расчёт объёма выборки

    Оригинал: 4.7. Calculating Sample Size

    RU

  • 84. 4.8. Разница между уверенностью и вероятностью

    Оригинал: 4.8. Difference Between Confidence And Probability

    RU

  • 85. 4.9. Доверительный интервал (неизвестное стандартное отклонение)

    Оригинал: 4.9. Confidence Interval (Unknown Standard Deviation)

    RU

  • 86. 4.10. Доверительные интервалы для доли

    Оригинал: 4.10. Confidence Intervals For Proportion

    RU

  • 87. 4.12. Формулировка гипотез

    Оригинал: 4.12. Defining Hypotheses

    RU

  • 88. 4.13. Ошибки первого и второго рода

    Оригинал: 4.13. Type I and Type II Errors

    RU

  • 89. 4.14. Правосторонний, левосторонний и двусторонний

    Оригинал: 4.14. Right Tailed, Left Tailed and Two Tailed

    RU

  • 90. 4.15. Проверка гипотез

    Оригинал: 4.15. Hypothesis Testing

    RU

  • 91. 4.16. Критические значения

    Оригинал: 4.16. Critical Values

    RU

  • 92. 4.17. Мощность теста

    Оригинал: 4.17. Power Of A Test

    RU

  • 93. 4.18. Интерпретация результатов

    Оригинал: 4.18. Interpreting Results

    RU

  • 94. 4.19. T-распределение

    Оригинал: 4.19. T Distribution

    RU

  • 95. 4.20. Тесты

    Оригинал: 4.20. Tests

    RU

  • 96. 4.21. Двухвыборочный T-тест

    Оригинал: 4.21. Two Sample T Test

    RU

  • 97. 4.23. Парный t-тест

    Оригинал: 4.23. Paired T Test

    RU

  • 98. 4.24. Применение ML: AB-тестирование

    Оригинал: 4.24. ML Application AB Testing

    RU

  • 99. 4.29. Заключение

    Оригинал: 4.29. Conclusion

    RU