Курс переработан
Математика для Data Science
К концу курса вы будете уверенно владеть математическим аппаратом, который необходим, чтобы подняться на уровень специалиста Middle+ в Data Science.
Длительность обучения:
6 месяцев
,
4
ак. часа
в
нед.
Формат:
Online
Начало занятий:
29 июня
Дни занятий:
Ср 20:00,
Что даст вам этот курс
Вы научитесь применять 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
Для кого этот курс?
Для тех, кто хочет построить карьеру в Data Science.
Для обучения достаточно школьных знаний.
Как использовать математику в Data Science?
Data Science построен на математических принципах. Без владения линейной алгеброй, математическим анализом и теорией вероятностей невозможно выявить закономерности в больших массивах данных.
Если вы хотите стать Middle-специалистом, то без уверенного знания математической базы не обойтись! Именно такие профессионалы получают интересные задачи и высокие зарплаты — в среднем 180 тыс. рублей по данным из открытых источников на октябрь 2021 г.
На курсе, помимо теоретической подготовки, 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.
Что важно освоить:
• основы линейной алгебры: линейные комбинации, зависимость и независимость, векторные точки и произведение, матричные преобразования и матричное умножение,
• математический анализ;
• математическую статистику;
• теорию вероятностей;
• обратные функции;
• обработку математических выражений и статических данных, инструменты визуализации.
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 начала обучения не нужен Python
Занятия в формате живых вебинаров, а мы умеем увлекать и объяснять. Вы все поймете и полюбите математику!
Преподаватели
Отзывы
7
Необходимые знания
- Математика на уровне средней школы. Нужно обладать базовыми знания в линейной алгебре: линейная комбинация, базис, связь определителя матрицы с рангом матрицы. В матанализе: функция, предел, производная. В теории вероятностей: классическое определение вероятности, вероятностное пространство.
- Аналитический склад ума.
- Знакомство с высшей математикой будет плюсом, но необязательно.
- Знание Python будет плюсом, но необязательно на момент начала обучения.
Корпоративное обучение для ваших сотрудников
>
Программа обучения
В процессе обучения вы получите комплексные знания и навыки.
C 29 июня
Тема 1.
Введение 1. Математика в DataScience
Тема 2.
Введение 2. Линейная алгебра
Тема 3.
Матрицы. Основные понятия и операции
Тема 4.
Однородные СЛАУ
Тема 5.
Определитель
Тема 6.
Диагонализация матрицы. Часть 1
Тема 7.
Диагонализация матрицы. Часть 2
Тема 8.
Матричные разложения. Часть 1
Тема 9.
Матричные разложения. Часть 2
Тема 10.
Применение линейной алгебры в Data Science
Тема 11.
Тензоры. Введение
C 10 августа
Тема 12.
Теория пределов
Тема 13.
Дифференцирование
Тема 14.
Матричное дифференцирование
Тема 15.
Математический анализ в ML
Тема 16.
Теория Рядов
Тема 17.
Неопределенное интегрирование
Тема 18.
Определённое и несобственное интегрирование
Тема 19.
Оптимизация. Часть 1
Тема 20.
Оптимизация. Часть 2
Тема 21.
Алгоритмы численной оптимизации
Тема 22.
Оптимизация в классических алгоритмах машинного обучения
Тема 23.
Преобразование Фурье
Тема 24.
Временные ряды
Тема 25.
Теория Множеств и Метрические пространства
C 12 октября
Тема 26.
Случайные события. Вероятность
Тема 27.
Случайные величины
Тема 28.
Основные законы распределения
Тема 29.
Моделирование случайных величин
Тема 30.
Пуассоновский поток событий. Моделирование системы массового обслуживания
Тема 31.
Задача оценивания. Метод максимального правдоподобия
Тема 32.
Выборочные характеристики. Доверительные интервалы
Тема 33.
Проверка гипотез
Тема 34.
Проверка гипотез в А/В тестировании
Тема 35.
Проверка гипотезы о законе распределения
Тема 36.
Дисперсионный анализ (ANOVA)
Тема 37.
Корреляция данных
Тема 38.
Виды зависимостей. Шкалы измерения признаков
Тема 39.
Исследование зависимостей: Номинальные признаки
Тема 40.
Исследование зависимостей: Порядковые и количественные признаки
Тема 41.
Линейная регрессия
Тема 42.
Снижение размерности: Метод главных компонент
Тема 43.
Снижение размерности: Факторный анализ
Тема 44.
Кластерный анализ
Тема 45.
Классификация наблюдений: логистическая и пробит регрессии, метод ближайших соседей (KNN)
Тема 46.
Классификация наблюдений: байесовский классификатор
C 28 декабря
Тема 47.
Выбор темы и организация проектной работы
Тема 48.
Консультация по проектам и домашним заданиям
Тема 49.
Защита проектных работ
Тема 50.
Итоговое занятие
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.
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: 9 февраля 2023 года
Ваш сертификат
онлайн-образование
Сертификат №0001
Константин Константинопольский
Успешно закончил курс «Математика для Data Science»
Выполнено практических заданий: 16 из 16
Общество с ограниченной ответственностью “Отус Онлайн-Образование”
Город:
Москва
Директор департамента образования
ООО “Отус Онлайн-Образование”
Анна Фирсова
Лицензия на осуществление образовательной деятельности
№ 039825 от 28 декабря 2018 года.
№ 039825 от 28 декабря 2018 года.
Прошедшие открытые вебинары
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.
Математика в простых алгоритмах анализа данных
Глеб Карпов
День открытых дверей
3 ноября 2021 года 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!
Партнеры ждут выпускников этого курса
Больше
