Математика для Data Science. Продвинутый курс | OTUS
👋 Канал OTUS в Telegram!
Посты от приглашенных гостей из IT-тусовки, полезные статьи, подборки вакансий от партнеров ➞
Подробнее

Курсы

Программирование
Разработчик игр на Unity
-40%
Vue.js разработчик
-40%
React.js разработчик
-40%
Архитектор программного обеспечения
-40%
Архитектура и шаблоны проектирования
-40%
Разработчик C++
-40%
Разработчик Node.js
-40%
Scala-разработчик
-30%
Backend-разработка на Kotlin
-30%
Программист 1С
-30%
Symfony Framework
-30%
Разработчик на Spring Framework
-20%
Разработчик Golang
-25%
C# ASP.NET Core разработчик
-25%
iOS-разработчик. Базовый курс
-25%
VOIP инженер Базы данных AWS для разработчиков Cloud Solution Architecture Agile Project Manager в IT Супер - интенсив по паттернам проектирования Супер - интенсив по Kubernetes
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02
Специальная цена

Математика для Data Science. Продвинутый курс

Длительность обучения:

Формат:

Начало занятий:

Дни занятий:

4 месяца

4 ак. часа в нед.

Online

31 июля

Вт 20:00, Пт 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.






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!
Логистическая регрессия для классификации данных, 23 июля в 20:00
На бесплатном вебинаре вы:
• обсудите основы регрессионных моделей;
• узнаете, как устроена логистическая регрессия;
• разберёте, какие разделы математики используются для ее построения;
• поймёте, как улучшить этот классификатор.
Ведет
Петр
Лукьянченко
Предыдущий открытый вебинар

Преподаватели

Петр Лукьянченко
Преподаватель ВШЭ по высшей математике
Александр Горяинов
Кандидат физ.-мат. наук, доцент МАИ.
Виктор Легкоступ
Научный сотрудник предприятия ВПК
Дмитрий Музалевский
Lead Data Scientist в Koerber Digital
Антон Лоскутов
Data Scientist в Mail.Ru Group
Артем Кондрашов
Алексей Катин
PhD в North Carolina State University
Расим Зухба
Преподаватель кафедры высшей математики в МФТИ
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
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
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
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".

Преподаватель
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.

Преподаватель
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.

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).

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
Петр
Лукьянченко
Александр
Горяинов
Виктор
Легкоступ
Дмитрий
Музалевский
Антон
Лоскутов
Артем
Кондрашов
Алексей
Катин
Расим
Зухба

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
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 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".

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.

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.

Преподаватель
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
3
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.
Читать целиком
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.
Читать целиком
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.
Читать целиком
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.
Читать целиком
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.
Читать целиком
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.
Читать целиком
Необходимые знания
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.
C 31 июля
Тема 1. Введение 1. Математика в DataScience
Тема 2. Введение 2. Матанализ/Линейная алгебра
Тема 3. Введение 3. Теория Вероятностей
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
C 1 сентября
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
C 13 октября
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
C 12 января
Тема 39. Выбор темы и организация проектной работы
Тема 40. Консультация по проектам и домашним заданиям
Тема 41. Защита проектных работ
Скачать подробную программу
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.
Спасибо!
Мы получили Вашу заявку, в ближайшее время с Вами свяжется наш менеджер.

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: 28 декабря 2020 года
Ваш сертификат

онлайн-образование

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.

онлайн-образование

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.
Техники интегрирования и их возможное применение
Петр Лукьянченко
День открытых дверей
3 июля 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
Общая стоимость
80 000 ₽ 56 000 ₽
В месяц: 22 500 ₽
Продолжительность
4 месяца
Начало занятий
31 июля