+7 499 110-61-65

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

25 октября

Занятия

Вт 19:00, Пт 19:00, Пт 20:00, Вт 20:00

Общая стоимость

44 000 ₽

В месяц

12 500 ₽

В кредит:

12500 ₽ в месяц

Общая стоимость

44 000 ₽

В месяц: 12 500 ₽

В кредит: 44000 ₽

в месяц

Продолжительность

4 месяца, 4 академ. часа в неделю

Вт 19:00, Пт 19:00, Пт 20:00, Вт 20:00

Начало занятий

25 октября

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

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.

Руководитель программы

Петр
Лукьянченко

Александр
Горяинов

Дмитрий
Музалевский

Иван
Леонов

Антон
Лоскутов

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.

Преподаватель

Дмитрий Музалевский

Lead Data Scientist в Koerber Digital

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

Преподаватель

Иван Леонов

Data Science Team Lead в Globant

Изучал математику в Белорусском государственном университете, Иллинойском технологическом институте (Illinois Institute of Technology), Чикагском университете (University of Chicago). Работал в компаниях AIG, TV Guide, MTV/Viacom в качестве разработчика, архитектора данных, аналитика, Operations & Product менеджера.

Последние 4 года работает в Data Science, из них три года — в EPAM. В настоящее время — Data Science Team Lead в компании Globant. На своём опыте убедился, что изучение математики приносит пользу даже в областях деятельности, которые на первый взгляд далеки от математики.

Преподаватель

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.

Проводит лекции по машинному обучению в проекте Open Data Science. Считает, что машинное обучение — это не только fit-predict, но и математическое понимание происходящего.

Преподаватель

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 147 kb

Программа обучения

Модуль 1

Линейная алгебра

Модуль 2

Математический анализ

Модуль 3

Теория вероятностей

Модуль 4

Проектная работа

Подробная программа PDF 147 kb

Линейная алгебра

Тема 1: Введение 1. Математика в DataScience

понимание, что быть успешным Datascientist без знания математики, а главное без ее понимания, невозможно.
План и структура этого курса.
Знакомство с преподавателем

25 октября, 19:00 — 20:30

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

— Базовые термины матанализа (предел, непрерывность функции, дифференциал)
— Базовые термины линейной алгебры (вектор, матрица, ее виды, ранг, определитель)
— Базовые термины теории вероятности (определение вероятности, мат.ожидание, дисперсия)
— Установка Python, предоставление рекомендаций по интерпретатору
— Вычисление базовых задач на Python с помощью стандартных пакетов

1 ноября, 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: Матрицы. Основные понятия и операции

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

5 ноября, 19:00 — 20:30

Домашние задания: 1

1 Посчитать собственные числа и вектора.

Тема 4: Геометрическая интерпретация в линейной алгебре

— Геометрическая интерпретация матричных преобразований
— Правило Крамера
— Знакоопределенность матрицы. Матрица Маркова. Жорданова форма

8 ноября, 20:00 — 21:30

Тема 5: Матричные разложения

— Разложение SVD и ALS
— Неотрицательные разложения
— Заполнения пропусков в матрицах

12 ноября, 19:00 — 20:30

Домашние задания: 1

1 Разложить матрицу в SVD.

Цель: Для матрицы A=[3 7] выполнить сингулярное разложение в python с использованием библиотеки numpy (функция linalg.svd). Записать получившуюся матрицу преобразования. [5 2]

Тема 6: Матричные производные

— Матричные производные
— Дифференциальные уравнения в матрицах

15 ноября, 20:00 — 21:30

Тема 7: Применение линейной алгебры в Data Science.

классификация данных с SVM и Logistic Regression

19 ноября, 19:00 — 20:30

Домашние задания: 1

1 Повторить вычисления с занятия в Python на других данных.

Тема 8: Применение линейной алгебры в Machine Learning

обработка изображений и линейная алгебра

22 ноября, 20:00 — 21:30

Математический анализ

Тема 1: Теория множеств

— Вероятностные пространства. Дискретное пространство элементарных исходов
— Вероятность на числовой прямой и плоскости. Правило сложения и умножения

26 ноября, 19:00 — 20:30

Тема 2: Метрические пространства

— Понятие метрического пространства.
— Определение нормированного пространства, понятие нормы, отличие от метрики, примеры нормированных пространств.
— Норма в оптимизации

29 ноября, 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 декабря, 19:00 — 20:30

Тема 4: Дифференцирование

— Дифференцируемость функции в точке Частные производные и дифференциалы высших порядков
— Градиент. Матрица Гессе

6 декабря, 20:00 — 21:30

Домашние задания: 1

1 Вычисление производных и пределов значений функции в бесконечности.

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 декабря, 19:00 — 20:30

Тема 6: Минимизация и Максимизация в Регрессиях

— МНК
— ММП

13 декабря, 20:00 — 21:30

Домашние задания: 1

1 Максимизация функции с ограничениями. Минимизация квадрата ошибки.

Тема 7: Интегрирование

— Неопределенный интеграл. Определенный интеграл
— Приложения определенного интеграла и приближенные методы его вычисления
— Несобственные интегралы. Двойные интегралы
— Приближенные методы интегрирования

17 декабря, 19:00 — 20:30

Тема 8: Применение Мат.анализа в ML

— Покоординатный спуск
— Градиентный спуск
— Адаптивные варианты градиентного спуска
— Ньютоновские методы, BFGS

20 декабря, 20:00 — 21:30

Домашние задания: 1

1 Поиск экстремума с Python.

Тема 9: Применение Мат.анализа в ML

— Линейная регрессия и разные подходы к оптимизации (градиентный спуск, bounds, итд.)
— Нелинейная регрессия (реализация на нейронных сетях) и разные подходы к оптимизации

24 декабря, 19:00 — 20:30

Тема 10: MidTerm

проверочная работа.
В ходе занятия будет предоставляться от 2-х до 5-ти минут на решение практической задачи. По истечению отведенного времени преподаватель решает задание на экране

27 декабря, 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

10 января, 19:00 — 20:30

Лектор: Александр Горяинов

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)

14 января, 20:00 — 21:30

Домашние задания: 1

1 Вычислить мат.ожидание, написав программный код в Python.

Тема 3: Непрерывные случайные величины

— Основные законы распределения и их физический смысл: биномиальное, пуассоновское, экспоненциальное, равномерное, гауссовское
— Компьютерное моделирование различных распределений

17 января, 19:00 — 20:30

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

21 января, 20:00 — 21:30

Домашние задания: 1

1 Задачи на предыдущие темы курса: максимизировать функцию. Отнормировать относительно среднего. Вычислить количество возможных повторений.

Тема 5: Точечное и интервальное оценивание

— Асимптотическая нормальность оценок
— Доверительные интервалы. Принцип построения доверительных интервалов

24 января, 19:00 — 20:30

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

28 января, 20:00 — 21:30

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

31 января, 19:00 — 20:30

Тема 8: Виды зависимостей

— Виды зависимостей случайных величин: функциональная, причинно-следственная, статистическая, корреляционная. Различия и связь между ними.
— Условные распределения

4 февраля, 20:00 — 21:30

Тема 9: Регресии

— Линейные, многомерные, логистические регрессии
— МНК, ММП, ММ

7 февраля, 19:00 — 20:30

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

11 февраля, 20:00 — 21:30

Тема 11: Моделирование случайных величин

— Random Walks, практические методы
— Вероятностный классификатор: Logistic Regression, Random Forest, Gradient Boosting
— Вероятностные Нейронные Сети

14 февраля, 19:00 — 20:30

Тема 12: Моделирование случайных величин.Часть 2

18 февраля, 20:00 — 21:30

Домашние задания: 1

1 Провести Монте-Карло симуляцию для вычисления числа Пи.

Тема 13: MidTerm

— Проверочная работа.
— Обсуждение тем проектной работы

21 февраля, 19:00 — 20:30

Проектная работа

Тема 1: Консультация по проекту

обсуждение кейса из практики

25 февраля, 20:00 — 21:30

Домашние задания: 1

1 Проектная работа

Тема 2: Консультация по проекту

обсуждение кейса из практики

28 февраля, 19:00 — 20:30

Тема 3: Защита дипломного проекта

обсуждение кейса из практики

3 марта, 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.