Математика для Data Science | OTUS
⚡ Подписка на курсы OTUS!
Интенсивная прокачка навыков для IT-специалистов!
Подробнее

Курсы

Программирование
Team Lead Архитектура и шаблоны проектирования Разработчик IoT Подготовка к сертификации Oracle Java Programmer (OCAJP) Python Developer. Basic
-12%
Python Developer. Professional
-12%
Kotlin Backend Developer
-8%
iOS Developer. Professional
-8%
Symfony Framework Unity Game Developer. Basic JavaScript Developer. Professional Android Developer. Basic JavaScript Developer. Basic Java Developer. Professional Highload Architect Reverse-Engineering. Professional Java Developer. Basic PHP Developer. Professional Web-разработчик на Python MS SQL Server Developer PostgreSQL Cloud Solution Architecture Vue.js разработчик Интенсив «Оптимизация в Java» Супер - интенсив по паттернам проектирования Супер - интенсив по Kubernetes Супер-интенсив "Tarantool" PHP Developer. Basic
Инфраструктура
Дизайн сетей ЦОД Разработчик IoT Экспресс-курс "Версионирование и командная работа с помощью Git"
-30%
Экспресс-курс «Введение в непрерывную поставку на базе Docker» DevOps практики и инструменты
-2%
Экcпресс-курс «ELK»
-10%
Reverse-Engineering. Professional Administrator Linux. Professional Network engineer Разработчик программных роботов (RPA) на базе UiPath и PIX Разработчик голосовых ассистентов и чат-ботов Мониторинг и логирование: Zabbix, Prometheus, ELK Супер-практикум по работе с протоколом BGP Супер - интенсив по паттернам проектирования Супер - интенсив по Kubernetes Супер-интенсив «СУБД в высоконагруженных системах» Супер-интенсив "Tarantool" Network engineer. Basic
Корпоративные курсы
Безопасность веб-приложений IT-Recruiter Дизайн сетей ЦОД Компьютерное зрение Разработчик IoT Вебинар CERTIPORT Machine Learning. Professional
-6%
NoSQL Пентест. Практика тестирования на проникновение Java QA Engineer. Базовый курс Руководитель поддержки пользователей в IT
-8%
SRE практики и инструменты Cloud Solution Architecture Внедрение и работа в DevSecOps Супер-практикум по работе с протоколом BGP Infrastructure as a code Супер-практикум по использованию и настройке GIT Промышленный ML на больших данных Экспресс-курс «CI/CD или Непрерывная поставка с Docker и Kubernetes» BPMN: Моделирование бизнес-процессов Основы Windows Server
Специализации Курсы в разработке Подготовительные курсы Подписка
+7 499 938-92-02
Курс переработан
Партнер курса
логотип партнера
Курс переработан

Математика для Data Science

Длительность обучения:

5 месяцев

4 ак. часа в нед.

Формат:

Online

Начало занятий:

29 июня

Дни занятий:

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 хочет построить карьеру в Data Science.
Для обучения достаточно школьных знаний.

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!

Преподаватели

Петр Лукьянченко
Преподаватель ВШЭ по высшей математике
Александр Горяинов
Кандидат физ.-мат. наук, доцент МАИ.
Виктор Легкоступ
Научный сотрудник предприятия ВПК
Алексей Чудинов
Сергей Жестков
Преподаватель МФТИ
Эмиль Богомолов
Антон Лоскутов
Data Scientist в Mail.Ru Group
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.

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.

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).

Более 10 лет занимается обработкой данных, анализом научных гипотез и построением математических моделей. Пишет статьи в научных журналах.
В настоящее время работает старшим научным сотрудником в Федеральном исследовательском центре химической физики им. Н.Н. Семенова. Был приглашенным экспертом в Институте физико-химических исследований в Токио (Riken), Hexin Analytical Instrument Co., Ltd. в Гуанчжоу, ThermoFisher Scientific. На счету два постдока: один в университете Северного Иллинойса, второй в Институте имени Вейцмана в Реховоте.
Образование: кандидат физико-математических наук.

Закончил МФТИ с красным дипломом, работал на очном отделении заочной физтех-школы МФТИ.
Последние 4 года преподает линейную алгебру в МФТИ. Опыт преподавания - более 8 лет.
Вёл математику в проектах "Наука в Регионы" и Phystech.Academy.

Инженер-исследователь научной группы ADASE в Сколтехе, выпусник кафедры системного анализа ВМК МГУ и Техносферы MailRu. Энтузиаст в сфере машинного обучения и компьютерного зрения. Контрибьютор опенсорс фреймворков. Многократный победитель хакатонов по анализу данных.
Является автором статей на международных конференциях: WACV по теме сегментации и детекции частей тела и позы человека, и на CVPR по теме сегментации и восстановления объектов на 3D сканах.
Ранее работал в сфере анализа данных в ритейле. Занимался обработкой больших данных и детекцией аномалий с помощью модели на основе градиентного бустинга.

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.

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.

Петр
Лукьянченко
Александр
Горяинов
Виктор
Легкоступ
Алексей
Чудинов
Сергей
Жестков
Эмиль
Богомолов
Антон
Лоскутов
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.

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.

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).

Алексей Чудинов
Более 10 лет занимается обработкой данных, анализом научных гипотез и построением математических моделей. Пишет статьи в научных журналах.
В настоящее время работает старшим научным сотрудником в Федеральном исследовательском центре химической физики им. Н.Н. Семенова. Был приглашенным экспертом в Институте физико-химических исследований в Токио (Riken), Hexin Analytical Instrument Co., Ltd. в Гуанчжоу, ThermoFisher Scientific. На счету два постдока: один в университете Северного Иллинойса, второй в Институте имени Вейцмана в Реховоте.
Образование: кандидат физико-математических наук.

Сергей Жестков
Преподаватель МФТИ
Закончил МФТИ с красным дипломом, работал на очном отделении заочной физтех-школы МФТИ.
Последние 4 года преподает линейную алгебру в МФТИ. Опыт преподавания - более 8 лет.
Вёл математику в проектах "Наука в Регионы" и Phystech.Academy.

Эмиль Богомолов
Инженер-исследователь научной группы ADASE в Сколтехе, выпусник кафедры системного анализа ВМК МГУ и Техносферы MailRu. Энтузиаст в сфере машинного обучения и компьютерного зрения. Контрибьютор опенсорс фреймворков. Многократный победитель хакатонов по анализу данных.
Является автором статей на международных конференциях: WACV по теме сегментации и детекции частей тела и позы человека, и на CVPR по теме сегментации и восстановления объектов на 3D сканах.
Ранее работал в сфере анализа данных в ритейле. Занимался обработкой больших данных и детекцией аномалий с помощью модели на основе градиентного бустинга.

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.

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.

Отзывы

5
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
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)
Читать целиком
Владимир
Семичев
Курс полезный и последовательный. Есть небольшие шероховатости в виде задержек начала лекций минут на 10-15 и порядка начальных лекций, но, в общем, мне понравилось. Рекомендую всем, кому надо вспомнить-подтянуть математику. Александр Горяинов is da BOMB!
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
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)
Читать целиком
Владимир
Семичев
Курс полезный и последовательный. Есть небольшие шероховатости в виде задержек начала лекций минут на 10-15 и порядка начальных лекций, но, в общем, мне понравилось. Рекомендую всем, кому надо вспомнить-подтянуть математику. Александр Горяинов is da BOMB!
Читать целиком

Необходимые знания

  • Математика на уровне средней школы.
  • Аналитический склад ума.
  • Знакомство с высшей математикой будет плюсом, но необязательно.
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. Матанализ/Линейная алгебра
Тема 3. Матрицы. Основные понятия и операции
Тема 4. Однородные СЛАУ
Тема 5. Определитель
Тема 6. Диагонализация матрицы
Тема 7. Диагонализация матрицы
Тема 8. Матричные разложения
Тема 9. Применение линейной алгебры в Data Science
Тема 10. Матричные производные
C 6 августа
Тема 11. Теория пределов. Часть 1
Тема 12. Теория пределов. Часть 2
Тема 13. Непрерывность и Дифференцируемость
Тема 14. Дифференцирование
Тема 15. Функции 2-х переменных
Тема 16. Оптимизация
Тема 17. МНК и ММП
Тема 18. Теория Рядов
Тема 19. Формула Тейлора
Тема 20. Неопределенное интегрирование
Тема 21. Определенное интегрирование
Тема 22. Несобственные интегралы
Тема 23. Применение Мат.анализа в ML
Тема 24. Теория Множеств и Метрические пространства
C 24 сентября
Тема 25. Случайные события. Вероятность
Тема 26. Случайные величины
Тема 27. Моделирование случайных величин
Тема 28. Моделирование случайных величин II
Тема 29. Пуассоновский поток событий. Моделирование системы массового обслуживания
Тема 30. Задача оценивания. Метод максимального правдоподобия
Тема 31. Выборочные характеристики. Доверительные интервалы
Тема 32. Проверка гипотез
Тема 33. Проверка гипотез в А/В тестировании
Тема 34. Проверка гипотезы о законе распределения
Тема 35. Дисперсионный анализ (ANOVA)
Тема 36. Виды зависимостей. Шкалы измерения признаков
Тема 37. Исследование зависимостей: Номинальные признаки
Тема 38. Исследование зависимостей: Порядковые и количественные признаки
Тема 39. Линейная регрессия
Тема 40. Снижение размерности: Метод главных компонент
Тема 41. Снижение размерности: Факторный анализ
Тема 42. Кластерный анализ
Тема 43. Классификация наблюдений: логистическая и пробит регрессии, метод ближайших соседей (KNN)
Тема 44. Классификация наблюдений: байесовский классификатор
C 3 декабря
Тема 45. Выбор темы и организация проектной работы
Тема 46. Консультация по проектам и домашним заданиям
Тема 47. 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: 3 января 2022 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

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»
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
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.
Производная функции и формула Тейлора
Сергей Жестков
День открытых дверей
1 февраля 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!
Стоимость обучения
75 000 ₽
Продолжительность
5 месяцев
Начало занятий
29 июня