Математика для Data Science [2022]
OTUS
Александр Горяинов, Виктор Легкоступ, Алексей Чудинов, Глеб Карпов, Сергей Жестков, Эмиль Богомолов, Антон Лоскутов, Расим Зухба
К концу курса вы будете уверенно владеть математическим аппаратом, который необходим, чтобы подняться на уровень специалиста Middle+ в Data Science.
Вы научитесь применять математический анализ, линейную алгебру, теорию вероятности и статистику для задач анализа данных и машинного обучения.
Вы разберетесь, как устроены разные модели и методы анализа, и сможете их правильно выбирать, улучшать и адаптировать.
К концу курса вы будете уверенно владеть математическим аппаратом, который необходим, чтобы подняться на уровень специалиста Middle+ в Data Science.
Для кого этот курс?
Для тех, кто хочет построить карьеру в Data Science.
Как использовать математику в Data Science?
Data Science построен на математических принципах. Именно поэтому уверенное знание математической базы - основное требование к Middle-специалистам. Именно они получают интересные задачи и высокие зарплаты — в среднем 190 тыс. рублей по данным из открытых источников на май 2020.
На курсе, помимо теоретической подготовки, вы будете заниматься проверкой статистических гипотез, исследованием признаков, научимся методам снижения размерности данных. В практической части курса будем строить рекомендательные системы, проводить А/Б тестирования и решать разнообразные задачи регрессии.
Как организована практика?
- Интересные домашние задания, где придется самостоятельно находить решения без шаблонов и образцов
- Для начала обучения не нужен Python
- Каждую тему ведет преподаватель, который использует этот инструмент в работе. Он дополняет теорию личным опытом, разбирая проблемы и бизнес-кейсы
- Занятия в формате живых вебинаров, а мы умеем увлекать и объяснять. Вы все поймете и полюбите математику!
Модуль 1 - Линейная алгебра
Тема 1. Введение 1. Математика в DataScience
Тема 2. Введение 2. Линейная алгебра
Тема 3. Матрицы. Основные понятия и операции
Тема 4. Однородные СЛАУ
Тема 5. Определитель
Тема 6. Диагонализация матрицы. Ч. 1
Тема 7. Диагонализация матрицы. Ч. 2
Тема 8. Матричные разложения. Ч. 1
Тема 9. Матричные разложения. Ч. 2
Тема 10. Применение линейной алгебры в Data Science
Тема 11. Тензоры. Введение
Тема 2. Введение 2. Линейная алгебра
Тема 3. Матрицы. Основные понятия и операции
Тема 4. Однородные СЛАУ
Тема 5. Определитель
Тема 6. Диагонализация матрицы. Ч. 1
Тема 7. Диагонализация матрицы. Ч. 2
Тема 8. Матричные разложения. Ч. 1
Тема 9. Матричные разложения. Ч. 2
Тема 10. Применение линейной алгебры в Data Science
Тема 11. Тензоры. Введение
Модуль 2 - Математический анализ
Тема 12. Теория пределов
Тема 13. Дифференцирование
Тема 14. Матричное дифференцирование
Тема 15. Математический анализ в ML
Тема 16. Теория Рядов
Тема 17. Неопределенное интегрирование
Тема 18. Определённое и несобственное интегрирование
Тема 19. Оптимизация. Ч 1
Тема 20. Оптимизация. Ч. 2
Тема 21. Алгоритмы численной оптимизации
Тема 22. Оптимизация в классических алгоритмах машинного обучения
Тема 23. Преобразование Фурье
Тема 24. Временные ряды
Тема 25. Теория Множеств и Метрические пространства
Модуль 3 - Математическая статистикаТема 13. Дифференцирование
Тема 14. Матричное дифференцирование
Тема 15. Математический анализ в ML
Тема 16. Теория Рядов
Тема 17. Неопределенное интегрирование
Тема 18. Определённое и несобственное интегрирование
Тема 19. Оптимизация. Ч 1
Тема 20. Оптимизация. Ч. 2
Тема 21. Алгоритмы численной оптимизации
Тема 22. Оптимизация в классических алгоритмах машинного обучения
Тема 23. Преобразование Фурье
Тема 24. Временные ряды
Тема 25. Теория Множеств и Метрические пространства
Тема 26. Случайные события. Вероятность
Тема 27. Случайные величины
Тема 28. Основные законы распределения
Тема 29. Моделирование случайных величин
Тема 30. Пуассоновский поток событий. Моделирование системы массового обслуживания
Тема 31. Задача оценивания. Метод максимального правдоподобия
Тема 32. Выборочные характеристики. Доверительные интервалы
Тема 33. Проверка гипотез
Тема 34. Проверка гипотез в А/В тестировании
Тема 35. Проверка гипотезы о законе распределения
Тема 36. Дисперсионный анализ (ANOVA)
Тема 37. Корреляция данных
Тема 38. Виды зависимостей. Шкалы измерения признаков
Тема 39. Исследование зависимостей: Номинальные признаки
Тема 40. Исследование зависимостей: Порядковые и количественные признаки
Тема 41. Линейная регрессия
Тема 42. Снижение размерности: Метод главных компонент
Тема 43. Снижение размерности: Факторный анализ
Тема 44. Кластерный анализ
Тема 45. Классификация наблюдений: логистическая и пробит регрессии, метод ближайших соседей (KNN)
Тема 46. Классификация наблюдений: байесовский классификатор
Модуль 4 - Проектная работаТема 27. Случайные величины
Тема 28. Основные законы распределения
Тема 29. Моделирование случайных величин
Тема 30. Пуассоновский поток событий. Моделирование системы массового обслуживания
Тема 31. Задача оценивания. Метод максимального правдоподобия
Тема 32. Выборочные характеристики. Доверительные интервалы
Тема 33. Проверка гипотез
Тема 34. Проверка гипотез в А/В тестировании
Тема 35. Проверка гипотезы о законе распределения
Тема 36. Дисперсионный анализ (ANOVA)
Тема 37. Корреляция данных
Тема 38. Виды зависимостей. Шкалы измерения признаков
Тема 39. Исследование зависимостей: Номинальные признаки
Тема 40. Исследование зависимостей: Порядковые и количественные признаки
Тема 41. Линейная регрессия
Тема 42. Снижение размерности: Метод главных компонент
Тема 43. Снижение размерности: Факторный анализ
Тема 44. Кластерный анализ
Тема 45. Классификация наблюдений: логистическая и пробит регрессии, метод ближайших соседей (KNN)
Тема 46. Классификация наблюдений: байесовский классификатор
Тема 47. Выбор темы и организация проектной работы
Тема 48. Консультация по проектам и домашним заданиям
Тема 49. Защита проектных работ
Тема 48. Консультация по проектам и домашним заданиям
Тема 49. Защита проектных работ
https://otus.ru/lessons/math-ds-advanced/?int_source=courses_catalog&int_term=data-science