Корпоративное обучение IT-специалистов для юр. лиц
Развивайте свой бизнес через профессиональное обучение сотрудников. Получите персональный план!

Подробнее

help@otus.ru +7 499 110-61-65

Рекрутерам Отзывы FAQ Блог Контакты

+7 499 110-61-65

Специальная цена

Математика для Data Science. Продвинутый курс

Best Practice по изучению математического аппарата, необходимого для успешной карьеры в Data Science

Подойдет ли мне этот курс?

Обучение сотрудников

Длительность

4 месяца

Начало

29 мая

Занятия

Пт 20:00, Вт 20:00

Общая стоимость

~~80 000 ₽~~ 72 000 ₽

В месяц

22 500 ₽

В кредит:

22500 ₽ в месяц

Общая стоимость

~~80 000 ₽~~ 72 000 ₽

В месяц: 22 500 ₽

В кредит: 72000 ₽

в месяц

Продолжительность

4 месяца, 4 академ. часа в неделю

Пт 20:00, Вт 20:00

Начало занятий

29 мая

Что даст вам этот курс

Обычно математику в вузах преподают в отрыве от реальных задач, где она в дальнейшем будет применяться. Мы пошли по другому пути. Каждый модуль профессионального курса сбалансирован математической теорией и практическими примерами, которые взяты из реальных кейсов. Вы будете решать задачу регрессии, проводить АБ-тестирование, работать над рекомендательной системой, использовать метод опорных векторов.

Для кого этот курс?
Для поступления нужно быть знакомым с основами математического анализа, линейной алгебры и теории вероятности. Курс подойдет всем, кто хочет развиваться в сфере Data Science. Он поможет вам освоить весь необходимый математический аппарат для решения задач на позиции Middle/Senior Data Scientist.

Зачем учить математику?
Профессия Data Scientist становится одной из самых перспективных и востребованных в IT. Средняя зарплата специалистов Data Science в России вдвое выше, чем у специалистов других IT-направлений — 190 тыс. руб. Основная сложность профессии — высокие требования к знаниям высшей математики. Уверенное владение математическим аппаратом позволяет повысить уровень компетенций и вырасти в профессиональном плане.

Обучение математике на реальных кейсах

Много практики и живого общения с преподавателями

Полный набор знаний для успешной работы в Data Science

Современная математика в Data Science: как сделать первые шаги?, 6 мая в 20:00

На Дне открытых дверей мы выясним:
- Какие задачи решает дата-сайнтист?
- Какие разделы математики и для каких задач требуется знать?
- Какие требования предъявляются дата-сайнтистам?
- Какие знания в области математики необходимы, чтобы выделиться из толпы и обеспечить себе карьерный прогресс?

Записывайтесь на онлайн-трансляцию, чтоб задать все вопросы в прямом эфире!

Ведет

Петр
Лукьянченко

Предыдущий день открытых дверей

Техники интегрирования и их возможное применение, 22 мая в 20:00

На бесплатном вебинаре вы:
- узнаете об истории развития и формирования интегральных вычислений;
- выучите, как мыслил Риман, и что из его учений можно применить в Data Science.

Петр
Лукьянченко

Предыдущий открытый вебинар

Преподаватели

Петр Лукьянченко

Преподаватель ВШЭ по высшей математике

Имеет более десяти лет опыта преподавания математических дисциплин в НИУ ВШЭ. Готовил студентов к международным олимпиадам по математике, участвовал в подготовке команд для соревнований по программированию.

Работал в Lamoda на должности Team Lead Analytics, принимал участие в формировании отдела бизнес-аналитики и анализа данных. Руководил проектами в госструктурах, отвечал за прогнозирование ключевых бизнес-KPI и структурирование данных большого объема. Управлял проектом по созданию математического комплекса алгоритмов 3D-картографии.

Около 3 лет работал Quantitative Research. Занимался анализом и прогнозированием временных рядов, участвовал в создании модели стохастической волатильности.

Петр
Лукьянченко

Александр
Горяинов

Дмитрий
Музалевский

Александр
Никитин

Антон
Лоскутов

Артем
Кондрашов

Алексей
Катин

Преподаватели

Петр Лукьянченко

Преподаватель ВШЭ по высшей математике

Александр Горяинов

Кандидат физ.-мат. наук, доцент МАИ.

Кандидат физико-математических наук с 2010 года.
В 2008 году окончил Московский авиационный институт, факультет прикладной математики и физики, специальность «прикладная математика».
С 2011 года – доцент кафедры теории вероятностей в МАИ.

Дмитрий Музалевский

Lead Data Scientist в Koerber Digital

Более 7 лет опыта в области анализа данных и машинного обучения. Опыт работы и проектов в различных индустриях: телеком, онлайн-ритейл, банковская сфера, финтех и медтех.

В настоящий момент работает в компании Koerber Digital GmbH, Берлин. Занимает позицию Lead Data Scientist и ведет работу команды, занимающейся аналитикой больших объемов данных и машинным обучением для производственных предприятий и B2B компаний.

Образование: бакалавриат МГТУ им.Баумана "Компьютерный анализ и интерпретация данных"; магистратура НИУ МАИ "Математические методы в экономике и маркетинге".

Александр Никитин

Специалист по Machine Learning

Разработчик и data scientist с 6-летним опытом. В данное время занимается консалтингом и аутсорсом по машинному обучению для компаний в России, Европе и Австралии. Работал ML-инженером в Яндексе.
Научные интересы касаются обработки естественного языка, построения векторных представлений для слов и текстов, тематического моделирования.

Образование: МФТИ (факультет инноваций и высоких технологий)

Машинное обучение и анализ данных преподает с 2015 года на курсах, летних школах и семинарах.
Александр получает огромное удовольствие от обучения людей и стремится делиться знаниями с сообществом.

Антон Лоскутов

Data Scientist в Mail.Ru Group

Работает на позиции Data Scientist в Mail.Ru Group. Окончил образовательный проект «Техносфера» от Mail.Ru. Сейчас заканчивает обучение в МГУ имени М. В. Ломоносова на механико-математическом факультете.

Читал лекции по машинному обучению в проекте Open Data Science, сейчас проводит авторский курс по машинному обучению внутри Mail.Ru. Считает, что машинное обучение — это не только fit-predict, но и математическое понимание происходящего.

Артем Кондрашов

Занимается программированием на R более 4 лет.
Имеет опыт работы с широким спектром инструментов анализа и программирования - регрессия, анализ временных рядов и построение прогнозных моделей (forecast), байесовские методы, сетевой анализ, визуализация данных (ggplot2, plotly, ggmap), парсинг сайтов (xml2), Rmarkdown отчеты, интеграция C++ в R (Rcpp), чистка и обработка данных.

Любит узнавать новое и делиться знаниями.

Алексей Катин

PhD в North Carolina State University

PhD (аспирант 4 года) в North Carolina State University, USA.
Область профессиональных интересов: анализ полевых и лабораторных данных качества водной среды для последующего построения прогнозных моделей. R является основным инструментом, в работе применяются регрессионный анализ и байесовый подход.

Образование: магистр наук по специальности гидролог (TU Dresden, 2015), инженер-эколог (МИСиС, 2009).

Опыт преподавания: 3 года в роли ассистента профессора в North Carolina State University.

Участник международных конференций: 25th Biennial CERF Conference (2019), 15th Estuarine and Coastal Modeling Conference (2018) , North Carolina's Coastal Conference (2017).

Отзывы

Dmitry
Pereverzev

Отличный курс. Все доступно и понятно.
Есть одно пожелание для такого вида курсов: думаю, что если привлекать именно преподавателей именно пофильных ВУЗов это повысит их ценность для слушателей.

Михаил
Самохвалов

Хороший курс, позволяет подтянуть математическую базу.
Преподаватели отзывчивые, на вопросы отвечают, доп материалы предоставляют.
Хорошие домашние задания, которые позволяют закрепить теоретический материал практикой.

Из пожеланий, возможно стоит немного увеличить количество занятий - в первых лекциях материал дается плотно и немного сумбурно.
Рекомендую проходить курс тем, кто прочитав оглавление видит для себя новые темы - некоторые темы изучить самостоятельно довольно сложно, когда не знаешь ни названий методов, ни преобразований, какими они решаются, даже не понимаешь, что гуглить.

Dmitry
Pereverzev

Михаил
Самохвалов

Петр Лукьянченко о курсе «Математика для Data Science»

Математический анализ: вычисление пределов функций, дифференцирование явных и неявных функций, применение производных для апкросимации значений функции, интегрирование, решение обычных диффренциальных уравнений.
Линейная алгебра: операции над матрицами, решение СЛАУ, вычисление определителя и ранга СЛАУ.
Теория вероятности: основы комбинаторики, формула условной и полной вероятности, математическое ожидание и дисперсия случайной величины.

Подробная программа PDF 156 kb

Программа обучения

Модуль 1

Линейная алгебра

Модуль 2

Математический анализ

Модуль 3

Теория вероятностей

Модуль 4

Проектная работа

Подробная программа PDF 156 kb

Линейная алгебра

Тема 1: Введение 1. Математика в DataScience

познакомиться;
понять, что быть успешным Datascientist без знания математики, а главное без ее понимания, невозможно.

29 мая, 20:00 — 21:30

Тема 2: Введение 2. Основные термины и определения математического анализа, линейной алгебры и теории вероятностей

установить Python, предоставление рекомендаций по интерпретатору;
вычислить базовых задач на Python с помощью стандартных пакетов.

2 июня, 20:00 — 21:30

Домашние задания: 1

1 Основы линейной алгебры, мат.анализа и теории вероятности

Цель: Цель данной домашней работы - развить практические навыки, полученных в ходе первого и второго уроков.

Тема 3: Введение 3. Теория Вероятностей

базовые термины теории вероятности (определение вероятности, математическое ожидание, дисперсия).

5 июня, 20:00 — 21:30

Домашние задания: 1

1 Посчитать собственные числа и вектора.

Тема 4: Матрицы. Основные понятия и операции

ключевые определения, операция над матрицами, определитель;
обратная матрица, вычисления собственных значений и собственных векторов, квадратичные формы.

9 июня, 20:00 — 21:30

Тема 5: Матричные разложения

разложение SVD и ALS;
неотрицательные разложения;
заполнения пропусков в матрицах.

12 июня, 20:00 — 21:30

Домашние задания: 1

1 Разложить матрицу в SVD.

Цель: Выполнить сингулярное разложение в python и записать получившуюся матрицу преобразования для следующих матриц: 1)A=[3 7 5 2] 2)B=[0 1 3 2 3 1 0 1 0] 3)C=[5 7 6 4 2 1 3 4 1 3 3 4 5 4 1]

Тема 6: Матричные производные

матричные производные;
дифференциальные уравнения в матрицах.

16 июня, 20:00 — 21:30

Тема 7: Применение линейной алгебры в Data Science.

классификация данных с SVM и Logistic Regression.
теория оптимизации для того, чтобы полностью понимать этот метод.

19 июня, 20:00 — 21:30

Домашние задания: 1

1 Классификация на два класса при помощи SVM.

См. слайды лекции.

Тема 8: Применение линейной алгебры в Machine Learning

обработать изображений и линейная алгебра.

23 июня, 20:00 — 21:30

Математический анализ

Тема 1: Теория множеств

основы теории множества;
операции над множествами.

26 июня, 20:00 — 21:30

Тема 2: Метрические пространства

понятие метрического пространства;
определение нормированного пространства, понятие нормы;
отличие от метрики, примеры нормированных пространств;
норма в оптимизации.

30 июня, 20:00 — 21:30

Домашние задания: 1

1 Свойство метрики. Вычислить простые операции над множеством.

Тема 3: Теория пределов

определение Коши;
определение Пиано;
вычисление пределов функций;
асимптотические функции;
эквивалентные функции;
оценка сложности функции.

3 июля, 20:00 — 21:30

Тема 4: Дифференцирование

дифференцируемость функции в точке Частные производные и дифференциалы высших порядков

7 июля, 20:00 — 21:30

Домашние задания: 1

1 Вычисление производных и пределов значений функции в бесконечности.

Цель: использовать файл Отус_производные

Тема 5: Оптимизация

экстремумы функций многих переменных;
определения точек локального и глобального минимума;
необходимое и достаточное условие экстремума для выпуклых функций;
понятие стационарных точек и отличие в их определении от точек экстремума.

10 июля, 20:00 — 21:30

Тема 6: Метод наименьших квадратов

разобрать метод наименьших квадратов.

14 июля, 20:00 — 21:30

Домашние задания: 1

1 Максимизация функции с ограничениями. Минимизация квадрата ошибки.

Тема 7: Метод максимального правдоподобия

обсудить и понять ММП

17 июля, 20:00 — 21:30

Тема 8: Интегрирование

неопределенный интеграл;
определенный интеграл;
приложения определенного интеграла и приближенные методы его вычисления;
несобственные интегралы;
двойные интегралы;
приближенные методы интегрирования.

21 июля, 20:00 — 21:30

Домашние задания: 1

1 Поиск экстремума с Python.

Тема 9: Применение Мат.анализа в ML

линейная регрессия;
логистическая регрессия.

24 июля, 20:00 — 21:30

Тема 10: MidTerm

проверочная работа.

28 июля, 20:00 — 21:30

Теория вероятностей

Тема 1: Комбинаторика и Основы теории вероятностей

принцип Дирихле, перестановки, размещения, сочетания;
опыт и его исходы, пространство элементарных событий, вероятность события;
независимость событий, условная вероятность, формулы сложения и умножения;
формулы полной вероятности и Байеса.

31 июля, 20:00 — 21:30

Домашние задания: 1

1 Случайные события

Цель: Выполняя это домашнее задание, вы запомните суть операций над случайными событиями, а также опробуете на примерах формулы Бернулли и Байеса, понимание которых понадобится в некоторых задачах анализа данных (задача о двоичных данных, байесовский классификатор и др.)

Тема 2: Случайные величины

случайная величина;
дискретные и непрерывные случайные величины;
закон распределения случайной величины и способы его описания;
дискретные и непрерывные распределения: функция распределения и её свойства, распределение Бернулли, биномиальное распределение моделирование на Python, дискретное распределение (для задачи МонтеКарло).

4 августа, 20:00 — 21:30

Домашние задания: 1

1 Случайные величины

Цель: Проверите, правильно ли вы разобрались в основных понятиях связанных с главным объектом в теории вероятностей - случайными величинами.

Тема 3: Непрерывные случайные величины

основные законы распределения и их физический смысл: биномиальное, пуассоновское, экспоненциальное, равномерное, гауссовское;
компьютерное моделирование различных распределений.

7 августа, 20:00 — 21:30

Тема 4: Теоремы

случайные последовательности и сходимость;
теорема Пуассона для схемы Бернулли;
закон больших чисел (Чебышева, Бернулли, Хинчина);
ЦПТ Локальная, ЦПТ Линдеберга, ЦПТ Ляпунова;
точечные оценки и их свойства.

11 августа, 20:00 — 21:30

Домашние задания: 1

1 Предложить идею моделирования зависимостей

Цель: Вы научитесь моделировать на компьютере ситуацию, в которой между двумя количественными признаками наблюдается статистическая зависимость.

Тема 5: Точечное и интервальное оценивание

асимптотическая нормальность оценок; доверительные интервалы; принцип построения доверительных интервалов.

14 августа, 20:00 — 21:30

Тема 6: Проверка гипотез

проверка статистических гипотез, формулировка гипотез;
проверка гипотезы о законе распределения выборки. Критерий согласия Пирсона;
проверка гипотезы о независимости двух номинальных признаков. Критерий хи-квадрат.

18 августа, 20:00 — 21:30

Домашние задания: 1

1 Проверка гипотезы о вероятности "успеха"

Цель: Вы проверите, правильно ли вы поняли логику процесса проверки статистической гипотезы. Научитесь самостоятельно проверять гипотезу о вероятности события.

Тема 7: Проверка гипотез. Часть 2

ошибки I и II рода, уровень значимости, статистический критерий;
построение доверительной и критической областей. P-value;
проверка гипотезы о вероятности успеха в схеме Бернулли;
биномиальный критерий.

21 августа, 20:00 — 21:30

Домашние задания: 1

1 Проверка гипотез. А/В-тестирование

Цель: Вы научитесь отвечать на вопрос о том, является ли значимой разница в долях для бинарных признаков и разница в средних значениях для количественных признаков.

Тема 8: Виды зависимостей

виды зависимостей случайных величин: функциональная, причинно-следственная, статистическая, корреляционная.
различия и связь между ними;
условные распределения.

25 августа, 20:00 — 21:30

Тема 9: Регресии

линейные, многомерные, логистические регрессии;
МНК, ММП, ММ.

28 августа, 20:00 — 21:30

Домашние задания: 1

1 Построить линейную регрессию в Python.

Тема 10: Метод главных компонент

определение главных компонент, их вычисление;
понижение размерности и отбор признаков;
применение в задачах регрессионного анализа.

1 сентября, 20:00 — 21:30

Тема 11: Моделирование случайных величин

Random Walks, практические методы;
вероятностный классификатор: Logistic Regression, Random Forest, Gradient Boosting;
вероятностные Нейронные Сети.

4 сентября, 20:00 — 21:30

Тема 12: Моделирование случайных величин. Часть 2

8 сентября, 20:00 — 21:30

Домашние задания: 1

1 Провести Монте-Карло симуляцию для вычисления числа Пи.

Тема 13: MidTerm

проверочная работа;
обсудить темы проектной работы.

11 сентября, 20:00 — 21:30

Проектная работа

Заключительный месяц курса посвящен проектной работе. Свой проект — это то, что интересно писать слушателю. То, что можно создать на основе знаний, полученных на курсе. При этом не обязательно закончить его за месяц. В процессе написания по проекту можно получить консультации преподавателей.

Тема 1: Выбор темы и организация проектной работы

выбрать и обсудить тему проектной работы;
спланировать работу над проектом;
ознакомиться с регламентом работы над проектом.

15 сентября, 20:00 — 21:30

Домашние задания: 1

1 Проектная работа

Тема 2: Консультация по проектам и домашним заданиям

получить ответы на вопросы по проекту, ДЗ и по курсу.

18 сентября, 20:00 — 21:30

Тема 3: Защита проектных работ

защитить проект и получить рекомендации экспертов.

22 сентября, 20:00 — 21:30

Выпускной проект

На выбор будут представлены несколько кейсов из реальной практики. Вы напишите код на языке Python с использованием различных библиотек для того, чтобы выполнить анализ данных.

Прошедшие открытые вебинары по курсу

Открытый вебинар — это настоящее занятие в режиме он-лайн с преподавателем курса, которое позволяет посмотреть, как проходит процесс обучения. В ходе занятия слушатели имеют возможность задать вопросы и получить знания по реальным практическим кейсам.

Петр Лукьянченко

27 января в 20:00

Для доступа к прошедшим мероприятиям необходимо пройти входное тестирование

Возможность пройти вступительное тестирование повторно появится только через 2 недели

Результаты тестирования будут отправлены вам на e-mail, указанный при регистрации.

Тест рассчитан на 30 минут, после начала тестирования отложить тестирование не получится!

Пройти вступительное тестирование

Дата выдачи сертификата: 27 октября 2020 года

Ваш сертификат

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Математика для Data Science. Продвинутый курс»
Выполнено практических заданий: 16 из 16