⚡ Открываем подписку на курсы!
Проходите параллельно 3 онлайн-курса в месяц по цене одного.

Подробнее

help@otus.ru +7 499 938-92-02

Рекрутерам Отзывы FAQ Блог Контакты

+7 499 938-92-02

Специальная цена

Партнер курса

Партнер курса

Специальная цена

Математика для Data Science. Продвинутый курс

Длительность обучения:

Формат:

Начало занятий:

Дни занятий:

4 месяца

4 ак. часа в нед.

Online

27 ноября

Пт 20:00, Вт 20:00

Что даст вам этот курс

Вы научитесь использовать 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.

Карта курсов направления Data Science в OTUS

Петр Лукьянченко о курсе «Математика для Data Science»

Для кого этот курс?

Для тех, кто хотя бы поверхностно знаком с высшей математикой: например, учил в институте или имеет опыт работы в области Data Science. Даже если вы давно не применяли свои знания и думаете, что все забыли, мы рекомендуем пробовать поступать в продвинутую группу.

Когда в Data Science используют математику?

Практические навыки в математике — 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 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

Каждую тему ведет преподаватель, который использует этот инструмент в работе. Он дополняет теорию личным опытом, разбирая проблемы и бизнес-кейсы

Для обучения не нужен Python. В редких случаях, где требуется программирование, мы даем весь необходимый код

Занятия в формате живых вебинаров, а мы умеем увлекать и объяснять. Вы все поймете и полюбите математику!

Всё о курсе Математика для Data Science, 29 октября в 20:00

День Открытых Дверей — отличная возможность задать все вопросы по курсу и узнать подробнее о программе, особенностях онлайн-формата, навыках, компетенциях и перспективах, которые ждут выпускников после обучения.

Преподаватель-практик расскажет о себе, своём опыте, поделится карьерными инсайтами и лайфхаками по выгодной оплате курса.

Изучайте программу, готовьте вопросы и присоединяйтесь!

Ведет

Петр
Лукьянченко

Предыдущий день открытых дверей

Отображения, их матрица и диагонализация, 12 ноября в 20:00

Вспомним важную математическую концепцию: отображения. И сосредоточимся на линейных отображениях: определим их, научимся задавать при помощи матриц. И наконец поговорим о том, зачем эти матрицы диалогализировать.

Сергей
Жестков

Предыдущий открытый вебинар

Всё о курсе Математика для Data Science, 20 ноября в 20:00

Петр
Лукьянченко

Предыдущий день открытых дверей

Классификация данных с помощью регрессионных моделей, 23 ноября в 20:00

Решение задачи классификации возможно разными способами. Разберем, как оцененная регрессионная модель позволяет классифицировать данные. Узнаем все о преимуществах и недостатках, а также разберем возможные пути улучшения регрессионных моделей.

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.

Руководитель программы

Петр
Лукьянченко

Александр
Горяинов

Виктор
Легкоступ

Дмитрий
Музалевский

Антон
Лоскутов

Артем
Кондрашов

Алексей
Катин

Расим
Зухба

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

Виктор Легкоступ

Научный сотрудник предприятия ВПК

Специалист по математике, электронике, статистике, компьютерной алгебре, численному моделированию. Опытный научно-технический работник.

Более 5 лет работает на предприятии военно-промышленного комплекса Республики Беларусь на должности научного сотрудника. Занимается системами радиолокации, навигации и управления беспилотными летательными аппаратами.

Ключевые навыки: C++, Python, Matlab/Simulink, программный пакет Mathematica.

Образование:
— физический факультет БГУ;
— магистратура и аспирантура в Белорусском государственном университете информатики и радиоэлектроники (БГУИР).

Преподаватель

Дмитрий Музалевский

Lead Data Scientist, Берлин

Более 8 лет опыта в области анализа данных и машинного обучения в различных индустриях: телеком, онлайн-ритейл, банковская сфера, финтех и медтех.

В настоящий момент работает в медицинской сфере, занимаясь проблемами обработки звуковых сигналов и улучшением слуховых аппаратов. На позиции Lead Data Scientist ведет работу команды по аналитике больших объемов данных, машинным и глубоким обучением полного цикла.

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

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. Закончил 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).

Расим Зухба

Преподаватель кафедры высшей математики в МФТИ

Преподаёт на кафедре высшей математики в МФТИ в течении 8 лет.
Ведёт математический анализ, аналитическую геометрию, дифференциальные уравнения, линейную алгебру.

Окончил факультет управления и прикладной математики в МФТИ. На курсе в OTUS будет преподавать математический анализ.

Преподаватель

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.

Аким
Гаменюк

Неплохой курс. Помог освежить знания по математике, заполнить пробелы и попрактиковаться в практическом применении знаний для решения задач машинного обучения.

Из недостатков могу выделить сумбур в организации домашних заданий. Я выполнил все ДЗ, которые были заданы, но при этом оказывается есть еще одно. Где его искать я так и не понял, просмотрел свой кабинет несколько раз. Нет возможности в одном месте посмотреть все ДЗ и проконтролировать процесс.

Евгений
Петров

Хочется поблагодарить преподавателей курса за то, что позволили достаточно быстро вспомнить основные разделы математики, специфичные именно для области Data Science. Особенно приятными и, я бы даже сказал, познавательными были лекции Петра Лукьянченко с экскурсами в историю математики и рассказами о роли великих математиков в разработке основ разделов современного здания этой области знания, Сергея Жесткова с его очень удачными примерами, помогающими значительно проще сформировать представление о весьма абстрактных на первый взгляд понятиях мира линейной алгебры, и конечно же Дмитрия Музалевского, продемонстрировавшего массу уместных примеров из своей богатой практики. Отмечу, что курс я проходил именно для того, чтобы вспомнить большую часть тем, при этом понимая, что напрямую не имел дела с такими задачами уже более 15 лет. Поэтому мог бы рекомендовать курс тем, кто уже знаком с материалом на базовом уровне, и хочет также освежить или углубить свои знания. Материал упакован достаточно плотно, курс весьма насыщенный, домашних заданий много, поэтому возможности расслабляться не представится. Однако те, кто пройдут это испытание, смогут почувствовать себя гораздо увереннее и открыть перед собой новые горизонты как карьерного, так и личностного роста. Оно того стоит)

Dmitry
Pereverzev

Михаил
Самохвалов

Аким
Гаменюк

Евгений
Петров

Знания математики 1-2 курса института или опыт в области аналитики данных. Рекомендуем попробовать именно продвинутый курс, даже если вы давно не пользовались знаниями и считаете, что все забыли. Желательны знания следующих тем:

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.

Программа обучения

В процессе обучения вы получите комплексные знания и навыки.

Модуль 1 Линейная алгебра

C 27 ноября

Тема 1. Введение 1. Математика в DataScience

Тема 2. Занятие «Введение 2. Теория Вероятностей»

Тема 3. Введение 3. Матанализ/Линейная алгебра

Тема 4. Матрицы. Основные понятия и операции

Тема 5. Матричные разложения

Тема 6. Матричные производные

Тема 7. Применение линейной алгебры в Data Science

Тема 8. Применение линейной алгебры в Machine Learning

Модуль 2 Математический анализ

C 25 декабря

Тема 9. Теория множеств

Тема 10. Метрические пространства

Тема 11. Теория пределов

Тема 12. Дифференцирование

Тема 13. Оптимизация

Тема 14. Метод наименьших квадратов

Тема 15. Метод максимального правдоподобия

Тема 16. Интегрирование

Тема 17. Применение Мат.анализа в ML

Тема 18. MidTerm

Модуль 3 Математическая статистика

C 29 января

Тема 19. Случайные события. Вероятность

Тема 20. Случайные величины

Тема 21. Моделирование случайных величин

Тема 22. Моделирование случайных величин II

Тема 23. Пуассоновский поток событий. Моделирование системы массового обслуживания

Тема 24. Задача оценивания. Метод максимального правдоподобия

Тема 25. Выборочные характеристики. Доверительные интервалы

Тема 26. Проверка гипотез

Тема 27. Проверка гипотез в А/В тестировании

Тема 28. Проверка гипотезы о законе распределения

Тема 29. Дисперсионный анализ (ANOVA)

Тема 30. Виды зависимостей. Шкалы измерения признаков

Тема 31. Исследование зависимостей: Номинальные признаки

Тема 32. Исследование зависимостей: Порядковые и количественные признаки

Тема 33. Линейная регрессия

Тема 34. Снижение размерности: Метод главных компонент

Тема 35. Снижение размерности: Факторный анализ

Тема 36. Кластерный анализ

Тема 37. Классификация наблюдений: логистическая и пробит регрессии, метод ближайших соседей (KNN)

Тема 38. Классификация наблюдений: байесовский классификатор

Модуль 4 Проектная работа

C 9 апреля

Тема 39. Выбор темы и организация проектной работы

Тема 40. Консультация по проектам и домашним заданиям

Тема 41. Защита проектных работ

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.

Процесс обучения

Всё обучение проходит онлайн: вебинары, общение с преподавателями и вашей группой в слаке курса, сдача домашних работ и получение обратной связи от преподавателя.

Вебинары идут дважды в неделю по 1,5 часа. Все вебинары сохраняются и в записи в вашем личном кабинете.

Домашнее задание выдается в среднем одно в две недели, а его выполнение занимает 3-5 часов. Мы горячо призываем заниматься такой самостоятельной работой, так как это поможет вам качественно освоить все изучаемые технологии на практике с поддержкой и обратной связью наших преподавателей.

Возникающие вопросы по материалам лекций, домашним заданиям и по выпускному проекту вы сможете задавать преподавателю в слаке или во время вебинаров.

Получить консультацию

Наш специалист свяжется с вами в ближайшее время. Если у вас возникли трудности в выборе курса или проблемы технического плана, то мы с радостью поможем вам.

После обучения вы:

Заберете с собой полный комплект обучающих материалов: видеозаписи всех вебинаров, презентации к занятиям, исходные коды программ;

Сохраните пример разработанного приложения;

Получите сертификат о прохождении курса;

Получите приглашение пройти собеседование в компаниях-партнерах (эту возможность получают самые успешные студенты).

Дата выдачи сертификата: 24 апреля 2021 года

Ваш сертификат

Сертификат №0001

Константин Константинопольский

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

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Генеральный директор ООО “Отус Онлайн-Образование”
Виталий Чибриков

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.

Сертификат №0001

Константин Константинопольский

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

Общество с ограниченной ответственностью “Отус Онлайн-Образование”

Город:
Москва

Генеральный директор ООО “Отус Онлайн-Образование”
Виталий Чибриков

Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.

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

25 августа 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

Партнеры ждут выпускников этого курса