викладачі: - Олександр Ликов,
- Єгор Ілларіонов,
- Андрій Канунніков,
- Маргарита Мелікян,
- ігор Родіонов
ваша майбутня кар'єра
Наш курс підходить для Data Science позицій, таких як Data Scientist, Data Engineer, ml Engineer, Data Analyst і Quant Researcher.
ми регулярно оновлюємо програму, щоб відповідати вимогам роботодавців
програма з алгебри
Програма з алгебри для аналізу даних містить необхідний мінімум для роботи з векторами, лінійними рівняннями, матрицями, квадратичними формами. Ці об'єкти є основою аналізу даних та алгоритмів машинного навчання.
Вже один з перших і найпростіших методів аналізу даних, лінійна регресія, оперує з поняттями вектор і матриця. Після проходження курсу ви зможете впевнено рухатися в бік освоєння професії аналітика даних, не роблячи зупинок на "невідомих" розділах алгебри. Завдання з співбесід з алгебри у вас будуть справляти враження дитячих ребусів.
Математичний аналіз є фундаментом майже всіх прикладних областей математики. Наприклад, в основі нейронних мереж лежить поняття градієнта, при оптимізації нелінійної функції вам знадобиться гессіан, і, нарешті, щоб використовувати збіжність алгоритму навчання поняття межі абсолютно необхідно.
Про всі ці речі ви дізнаєтеся саме в цьому курсі. У програму з математичного аналізу ми поклали найважливіші і необхідні розділи для аналітика даних: межі, диференціальне та інтегральне числення. Ми залишили тільки все найнеобхідніше з цих розділів, не ведучи в деталі, щоб зробити курс коротше і практичніше, не втрачаючи при цьому цілісність і ясність.
Теорія ймовірностей пронизують всю науку про дані. Імовірнісні моделі і конструкції присутні майже по всіх алгоритмах машинного навчання. Функція штрафу в задачі регресії або помилка класифікації спираються на понятті математичного очікування, закон великих чисел і центральна гранична теорема служать обгрунтуванням збіжності і спроможності багатьох алгоритмів і методів аналізу даних.
Про всі ці поняття, і не тільки про них, ви дізнаєтеся з цього курсу. Буде дано необхідний матеріал з теорії ймовірностей для подальшого освоєння математичної статистики та алгоритмів машинного навчання. В ході курсу ми будемо вирішувати завдання підвищеної складності, так як на співбесідах дуже люблять давати імовірнісні завдання і ви повинні бути до них особливо готові.
Математична статистика є основоположною дисципліною в прикладних областях, що мають справу з обробкою і аналізом даних. Часто її розглядають як прикладну частину теорії ймовірностей. Аналіз багатьох реальних даних починається з застосування методів математичної статистики, і потім (якщо в цьому залишається необхідність) продовжується методами машинного навчання.
В курсі ми пройдемо Базові поняття математичної статистики: оцінки, довірчі інтервали, перевірка гіпотез, регресійний аналіз. Успішне освоєння цих тим дозволить вам без праці відповідати на питання по статистиці на співбесідах на позицію аналітика даних.
Сучасний аналіз даних не представляється можливим без алгоритмів і методів машинного навчання. В незалежності від індустрії аналітику даних належить вирішувати завдання кластеризації, класифікації та регресії. Кваліфікований аналітик даних повинен знати про проблему перенавчання і вміти її вирішувати. Якісна попередня обробка даних і правильна робота з ознаками є важливими етапами в процесі аналізу даних.
Всі сформульовані завдання ви навчитеся вирішувати після проходження нашого курсу. В ході курсу будемо, в тому числі, розбирати типові питання з співбесід на аналітика даних.
програма з алгебри
Програма з алгебри для аналізу даних містить необхідний мінімум для роботи з векторами, лінійними рівняннями, матрицями, квадратичними формами. Ці об'єкти є основою аналізу даних та алгоритмів машинного навчання.
Вже один з перших і найпростіших методів аналізу даних, лінійна регресія, оперує з поняттями вектор і матриця. Після проходження курсу ви зможете впевнено рухатися в бік освоєння професії аналітика даних, не роблячи зупинок на "невідомих" розділах алгебри. Завдання з співбесід з алгебри у вас будуть справляти враження дитячих ребусів.
- тиждень
Комплексні числа і многочлени.
- тиждень
Лінійна залежність векторів. Базис і розмірність векторного простору. Системи
лінійне рівняння̆. Ранг матриці.
- тиждень
Операції над матрицями. Лінійні відображення їх завдання матрицями. Ядро і образ лінійного відображення.
- тиждень
Визначники матриць, їх властивості і методи обчислення.
- тиждень
Спектральна теорія: власні вектори та значення, діагоналізованість.
- тиждень
Білінійні і квадратичні форми. Приведення квадратичної форми до діагонального виду. Закон інерції. Критерій Сильвестра.
- тиждень
Геометрія евклідових просторів. Ортогоналізація Грама-Шмідта.
- тиждень
Самоспряжені та ортогональні оператори та матриці, їх канонічний вигляд
Математичний аналіз є фундаментом майже всіх прикладних областей математики. Наприклад, в основі нейронних мереж лежить поняття градієнта, при оптимізації нелінійної функції вам знадобиться гессіан, і, нарешті, щоб використовувати збіжність алгоритму навчання поняття межі абсолютно необхідно.
Про всі ці речі ви дізнаєтеся саме в цьому курсі. У програму з математичного аналізу ми поклали найважливіші і необхідні розділи для аналітика даних: межі, диференціальне та інтегральне числення. Ми залишили тільки все найнеобхідніше з цих розділів, не ведучи в деталі, щоб зробити курс коротше і практичніше, не втрачаючи при цьому цілісність і ясність.
- тиждень
Основи теорії множин. Межа числових послідовностей.
- тиждень
Числовий ряд.
- тиждень
Границя функції. Безперервність.
- тиждень
Диференційовність.
- тиждень
Інтегрування функцій однієї змінної.
- тиждень
Функції багатьох змінних.
- тиждень
Диференціальне числення функцій багатьох змінних.
- тиждень
Основні теореми диференціального числення.
- тиждень
Кратні інтеграли.
- тиждень
Невласні інтеграли. Критерій збіжності.
Теорія ймовірностей пронизують всю науку про дані. Імовірнісні моделі і конструкції присутні майже по всіх алгоритмах машинного навчання. Функція штрафу в задачі регресії або помилка класифікації спираються на понятті математичного очікування, закон великих чисел і центральна гранична теорема служать обгрунтуванням збіжності і спроможності багатьох алгоритмів і методів аналізу даних.
Про всі ці поняття, і не тільки про них, ви дізнаєтеся з цього курсу. Буде дано необхідний матеріал з теорії ймовірностей для подальшого освоєння математичної статистики та алгоритмів машинного навчання. В ході курсу ми будемо вирішувати завдання підвищеної складності, так як на співбесідах дуже люблять давати імовірнісні завдання і ви повинні бути до них особливо готові.
- тиждень
Класична ймовірність. Комбінаторика. "Карти, кістки, два слона"
- тиждень
Умовна ймовірність. Формули повної ймовірності Теорема Байєса.
- тиждень
Математичне очікування дискретних випадкових величин.
- тиждень
Геометричні ймовірності.
- тиждень
Випадкова величина. Розподіл випадкових величин.
- тиждень
Математичне очікування безперервних випадкових величин.
- тиждень
Випадкові вектори.
- тиждень
Найпростіше випадкове блукання. Граничні теореми.
Математична статистика є основоположною дисципліною в прикладних областях, що мають справу з обробкою і аналізом даних. Часто її розглядають як прикладну частину теорії ймовірностей. Аналіз багатьох реальних даних починається з застосування методів математичної статистики, і потім (якщо в цьому залишається необхідність) продовжується методами машинного навчання.
В курсі ми пройдемо Базові поняття математичної статистики: оцінки, довірчі інтервали, перевірка гіпотез, регресійний аналіз. Успішне освоєння цих тим дозволить вам без праці відповідати на питання по статистиці на співбесідах на позицію аналітика даних.
- тиждень
Вибірковий простір, вибірка та вибірковий розподіл. Види статистик.
- тиждень
Оцінки та їх властивості.
- тиждень
Метод моментів і метод максимальної правдоподібності.
- тиждень
Ефективна оцінка. Довірчий інтервал.
- тиждень
Візуальні методи аналізу. Основи перевірки гіпотез.
- тиждень
Критерій Вальда, критерії, засновані на нормальності даних, кореляційний аналіз.
- тиждень
Регресійний аналіз. Метод найменших квадратів.
- тиждень
Перевірка гіпотез про параметри регресійної моделі.
Сучасний аналіз даних не представляється можливим без алгоритмів і методів машинного навчання. В незалежності від індустрії аналітику даних належить вирішувати завдання кластеризації, класифікації та регресії. Кваліфікований аналітик даних повинен знати про проблему перенавчання і вміти її вирішувати. Якісна попередня обробка даних і правильна робота з ознаками є важливими етапами в процесі аналізу даних.
Всі сформульовані завдання ви навчитеся вирішувати після проходження нашого курсу. В ході курсу будемо, в тому числі, розбирати типові питання з співбесід на аналітика даних.
- тиждень
Основні завдання та інструменти машинного навчання
- тиждень
Кластеризація: метрики та алгоритми
- тиждень
SVD, рекомендаційна модель
- тиждень
Лінійна регресія
- тиждень
Логістична регресія, узагальнена лінійна модель
- тиждень
Перенавчання: ознаки, причини, методи усунення. Регуляризація
- тиждень
Вирішальні Дерева для регресії та класифікації
- тиждень
Ансамблі алгоритмів
https://privatelink.de/?https://shadhelper.com/ds_interview