Математика для Data Science | OTUS

Курсы

Программирование
Highload Architect Node.js Developer React.js Developer Java Developer. Professional Android Developer. Basic Microservice Architecture Специализация Java-разработчик C++ Developer. Basic Специализация Fullstack developer JavaScript Developer. Professional Unity Game Developer. Basic Framework Laravel Алгоритмы и структуры данных Специализация PHP Developer C# Developer. Professional C# Developer. Basic Буткемп Frontend Developer Golang Developer. Professional iOS Developer. Basic Специализация Python Developer Архитектура и шаблоны проектирования MS SQL Server Developer Software Architect Rust Developer Базы данных Разработчик на Spring Framework Vue.js разработчик Разработчик IoT Подготовка к сертификации Oracle Java Programmer (OCAJP) Unity Game Developer. Professional PostgreSQL Cloud Solutions VR/AR - разработчик
Специализации Курсы в разработке Подготовительные курсы Подписка
+7 499 938-92-02
Курс переработан
Партнер курса
логотип партнера
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, Пт 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

Глеб Карпов

Skoltech Computational Intelligence Laboratory

Окончил МФТИ и Сколтех в 2018 году.

В данный момент работает исследователем в Skoltech Computational Intelligence Laboratory: пишет научные статьи в составе международной коллаборации, занимается коммерческими проектами по темам машинного обучения и вычислительной линейной алгебры.

Имеет большой опыт в преподавании: почти 10 занимался организацией добровольной инициативы - многопрофильной летней школы-лагеря для школьников старших классов в Тульской области. На данный момент преподает в университете: ведет курс в ВШЭ по теории вероятностей и статистике на английском языке.
Профессиональные интересы: оптимизация, линейная алгебра, статистика, uncertainty quantification, обучение с подкреплением, регрессионный анализ, планирование эксперимента.
Нравится учиться, преподавать, доносить сложные вещи понятным языком, взаимодействовать с людьми, размышлять о природе вещей, явлений и концепций.

Глеб Карпов

Skoltech Computational Intelligence Laboratory

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.

Александр Горяинов

Кандидат физ.-мат. наук, доцент МАИ.

Марина Абдулина

Data Scientist в "Longevity InTime"

Работаю Data Scientist в "Longevity InTime" — стартапе, разрабатывающем и применяющим биотехнологии для продления жизни человека: строю предсказательные модели на основе табличных данных и подгружаюсь в методы обработки естественного языка.

Навыки: математика, линейная алгебра, Python, Machine Learning
Образование: кандидат физико-математических наук

Опыт в преподавании: разработала для магистрантов учебные материалы и видеоуроки по гидродинамическому моделированию месторождений нефти и газа, вела для студентов лекции и семинары по математическим методам в экономику.

Марина Абдулина

Data Scientist в "Longevity InTime"

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).

Виктор Легкоступ

Научный сотрудник предприятия ВПК

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.

Алексей Чудинов

Сергей Жестков

Закончил МФТИ с красным дипломом, работал на очном отделении заочной физтех-школы МФТИ.
Пять лет опыта работы со студентами в МФТИ. Общий опыт преподавания - более 8 лет.
Вёл математику в проектах "Наука в Регионы" и Phystech.Academy.

Сергей Жестков

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.

Эмиль Богомолов

Дмитрий Сергеев

Head of R&D в WeatherWell

Соавтор курсов Machine Learning уровня Basic, Professional и Advanced

Практикует машинное обучение и анализ данных с 2012 года. В настоящий момент работает Head of R&D в компании WeatherWell. Имеет опыт практического применения машинного обучения в геймдеве, банковской сфере и Health Tech.

Преподавал машинное обучение и анализ данных в Центре Математических Финансов МГУ, был приглашенным лектором на Факультете Компьютерных Наук НИУ ВШЭ и различных летних школах.

Образование: Эконом-мат РЭУ им. Плеханова, ЦМФ МГУ, ДПО ФКН ВШЭ «Практический анализ данных и машинное обучение», MSc Computer Science Aalto University

Стек/интересы: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML for social good

Дмитрий Сергеев

Head of R&D в WeatherWell

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.

Расим Зухба

Преподаватель кафедры высшей математики в МФТИ

Преподаватели

Глеб Карпов

Skoltech Computational Intelligence Laboratory

Окончил МФТИ и Сколтех в 2018 году.

В данный момент работает исследователем в Skoltech Computational Intelligence Laboratory: пишет научные статьи в составе международной коллаборации, занимается коммерческими проектами по темам машинного обучения и вычислительной линейной алгебры.

Имеет большой опыт в преподавании: почти 10 занимался организацией добровольной инициативы - многопрофильной летней школы-лагеря для школьников старших классов в Тульской области. На данный момент преподает в университете: ведет курс в ВШЭ по теории вероятностей и статистике на английском языке.
Профессиональные интересы: оптимизация, линейная алгебра, статистика, uncertainty quantification, обучение с подкреплением, регрессионный анализ, планирование эксперимента.
Нравится учиться, преподавать, доносить сложные вещи понятным языком, взаимодействовать с людьми, размышлять о природе вещей, явлений и концепций.

Глеб Карпов

Skoltech Computational Intelligence Laboratory

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.

Александр Горяинов

Кандидат физ.-мат. наук, доцент МАИ.

Марина Абдулина

Data Scientist в "Longevity InTime"

Работаю Data Scientist в "Longevity InTime" — стартапе, разрабатывающем и применяющим биотехнологии для продления жизни человека: строю предсказательные модели на основе табличных данных и подгружаюсь в методы обработки естественного языка.

Навыки: математика, линейная алгебра, Python, Machine Learning
Образование: кандидат физико-математических наук

Опыт в преподавании: разработала для магистрантов учебные материалы и видеоуроки по гидродинамическому моделированию месторождений нефти и газа, вела для студентов лекции и семинары по математическим методам в экономику.

Марина Абдулина

Data Scientist в "Longevity InTime"

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).

Виктор Легкоступ

Научный сотрудник предприятия ВПК

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.

Алексей Чудинов

Сергей Жестков

Закончил МФТИ с красным дипломом, работал на очном отделении заочной физтех-школы МФТИ.
Пять лет опыта работы со студентами в МФТИ. Общий опыт преподавания - более 8 лет.
Вёл математику в проектах "Наука в Регионы" и Phystech.Academy.

Сергей Жестков

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.

Эмиль Богомолов

Дмитрий Сергеев

Head of R&D в WeatherWell

Соавтор курсов Machine Learning уровня Basic, Professional и Advanced

Практикует машинное обучение и анализ данных с 2012 года. В настоящий момент работает Head of R&D в компании WeatherWell. Имеет опыт практического применения машинного обучения в геймдеве, банковской сфере и Health Tech.

Преподавал машинное обучение и анализ данных в Центре Математических Финансов МГУ, был приглашенным лектором на Факультете Компьютерных Наук НИУ ВШЭ и различных летних школах.

Образование: Эконом-мат РЭУ им. Плеханова, ЦМФ МГУ, ДПО ФКН ВШЭ «Практический анализ данных и машинное обучение», MSc Computer Science Aalto University

Стек/интересы: Python, Machine Learning, Time Series, Anomaly Detection, Open Data, ML for social good

Дмитрий Сергеев

Head of R&D в WeatherWell

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.

Расим Зухба

Преподаватель кафедры высшей математики в МФТИ

Отзывы

7
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
Михаил
Курс позволил не только структурировать имевшиеся ранее разрозненные знания в области машинного обучения, но и получить новые, что дало исчерпывающий взгляд на эту область информационных технологий.
Преподаватели отзывчивы и компетентны, информация чёткая, структурированная, исчерпывающая.
Читать целиком
Геннадий
Курс был полезным для понимания применения математического аппарата в машинном обучении
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
Михаил
Курс позволил не только структурировать имевшиеся ранее разрозненные знания в области машинного обучения, но и получить новые, что дало исчерпывающий взгляд на эту область информационных технологий.
Преподаватели отзывчивы и компетентны, информация чёткая, структурированная, исчерпывающая.
Читать целиком
Геннадий
Курс был полезным для понимания применения математического аппарата в машинном обучении
Читать целиком

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.
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: 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.

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.
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!
Стоимость обучения
Cтоимость указана для оплаты физическими лицами
65 000 ₽
Продолжительность
6 месяцев
Начало занятий
29 июня