Разбираем популярные вопросы по математике для ML и Data Science собеседований: линейная алгебра, матанализ, векторы, матрицы, нормы, косинусная близость, ранг, базис, производная, градиент, экстремумы, аппроксимация, интерполяция и экстраполяция.

В гостях Ян Шмидт, смотрите вторую часть на его канале

Конспект с разобранными вопросами: https://t.me/rockaux

Менторство "оффер под ключ", роадмап и консультация: https://sites.google.com/view/lokismlmentor

личный тг: https://t.me/abletobetable

Таймкоды:

0:00 Интро: математика для ML-собеседований

1:05 О чем видео и какие темы разберем

1:27 Для кого это интервью и как им пользоваться

2:13 Что такое вектор

2:33 Свойства и операции с векторами

3:22 Скалярное произведение

4:00 Где скалярное произведение используется в ML

5:04 Норма вектора: L1 и L2

6:45 Косинусная близость

7:30 Косинусное расстояние

7:59 Что такое матрица

8:21 Где матрицы встречаются в машинном обучении

9:19 Операции с матрицами

10:21 Основные виды матриц

11:32 Где взять конспект по видео и другие полезные материалы

12:00 Линейная комбинация векторов

12:35 Линейная зависимость и независимость

13:42 Мультиколлинеарность признаков в ML

14:40 Что такое пространство

15:51 Базис пространства

17:09 Размерность пространства

17:59 Ранг матрицы

19:03 Где ранг используется в ML: LoRA

20:24 Обратная и обратимая матрица

21:40 Определитель матрицы

23:47 Собственные числа и собственные векторы

25:35 Число обусловленности матрицы

26:35 Математический анализ | Что такое функция

28:13 Предел последовательности

29:20 Непрерывность функции

31:12 Производная и дифференцируемость

32:09 Геометрический смысл производной

33:04 Гладкость функции

33:40 Частные производные

34:10 Градиент

35:09 Локальный и глобальный минимум

36:20 Аппроксимация, интерполяция и экстраполяция

38:41 Итоги и полезные материалы