Курс по математике для Data Science
Изучите необходимую базу по математике и статистике для освоения машинного обучения
Для успешного прохождения курса потребуется умение работать в Python
Сделайте своё резюме привлекательным
для крупных Data Science-based компаний
Каждый, кто начинает свой путь в Data Science, стремится когда-нибудь дорасти до уровня Senior. Но требования к специалистам такого уровня, особенно в крупных компаниях, очень высоки. Большинство соискателей не могут пройти собеседование.
Чтобы уверенно решать не типовые задачи и создавать собственные архитектуры, мало владеть основными методами машинного обучения и нейронных сетей: важно понимать законы математики и статистики у них "под капотом".
Существующие курсы по этим темам рассказываются сухим и академичным языком и не нацелены на практику, а на русском языке таких курсов еще меньше. Именно поэтому мы решили создать первый специализированный курс по математике и статистике для Data Science!
Преимущества курса
Мы рассказываем о математике и статистике понятно и доходчиво. Наша цель — не сделать из вас гения фундаментальной математики, а заложить фундамент для вашего роста в Data Science. С остальным вы разберетесь сами, наша задача — помочь вам втянуться.
Курс содержит много практики, которая не ограничивается решением классических уравнений и абстрактных заданий. Мы показываем, как знание математики и статистики работает в решении реальных жизненных задач в области анализа данных, прогнозирования и оптимизации.
Мы рассматриваем применение математических и статистических закономерностей в машинном обучении и нейронных сетях, чтобы вы в дальнейшем могли работать не только с типовыми моделями и архитектурами.
У нас есть не только сообщество единомышленников, с которыми вы можете обсудить затруднения и поделиться наболевшим, но и поддержка ментора, который поможет выйти из тупика. Вы не останетесь с курсом один на один.
Программа курса
Часть 1: Линейная алгебра
Изучаем вектора и виды матриц
Учимся проводить операции над матрицами
Определяем линейную зависимость с помощью матриц
Изучаем обратные, вырожденные и невырожденные матрицы
Изучаем системы линейных уравнений, собственные и комплексные числа
Осваиваем матричное и сингулярное разложение
Решаем задачи линейной зависимости с помощью матриц
Оптимизируем с помощью метода главных компонент
Закрепляем математические основы линейной регрессии
Часть 2: Основы матанализа
Изучаем функции одной и многих переменных и производные
Осваиваем понятие градиента и градиентного спуска
Тренируемся в задачах оптимизации
Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига
Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
Закрепляем математические основы градиентного спуска и имитации отжига
Часть 3: Основы теории вероятности и статистики
Изучаем общие понятия описательной и математической статистики
Осваиваем комбинаторику
Изучаем основные типы распределений и корреляции
Разбираемся в теореме Байеса
Изучаем наивный байесовский классификатор
Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теорвера
Закрепляем математические основы классификации и логистической регрессии
Часть 4: Временные ряды и прочие математические методы
Знакомимся с анализом временных рядов
Осваиваем более сложные типы регрессий
Прогнозируем бюджет с помощью временных рядов
Закрепляем математические основы классических моделей машинного обучения
Преподаватель
Аяна Шелике
Преподаватель статистики и линейной алгебры МИЭФ ВШЭ
Выпускница мехмата МГУ
Нажмите, чтобы раскрыть...