Математика для Data Science | OTUS
⚡Подписка от OTUS!
Собери свой пул курсов на выгодных условиях. Подробности в чате →
Написать в чат

Курсы

Программирование
Unity Game Developer. Basic
-15%
Разработчик программных роботов (RPA) на базе UiPath и PIX
-6%
Разработчик C#
-8%
Алгоритмы и структуры данных
-8%
Backend-разработчик на PHP
-8%
JavaScript Developer. Professional
-9%
iOS Developer. Professional
-8%
Базы данных
-12%
C# ASP.NET Core разработчик
-6%
Python Developer. Basic
-10%
Java Developer. Professional Web-разработчик на Python Android Developer. Basic PostgreSQL Software Architect Reverse-Engineering. Professional Kotlin Backend Developer React.js Developer VOIP инженер Нереляционные базы данных Scala-разработчик Супер-практикум по использованию и настройке GIT IoT-разработчик JavaScript Developer. Basic Advanced Fullstack JavaScript developer Unity Game Developer. Professional Супер-интенсив Azure
Инфраструктура
Супер-интенсив "Версионирование и командная работа с помощью Git"
-30%
Administrator Linux. Professional
-5%
Супер-интенсив «CI/CD или Непрерывная поставка с Docker и Kubernetes»
-30%
Разработчик программных роботов (RPA) на базе UiPath и PIX
-6%
Administrator Linux. Advanced
-8%
Infrastructure as a code in Ansible
-12%
Network engineer
-4%
MS SQL Server Developer
-8%
Cloud Solution Architecture Highload Architect 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 Архитектор сетей Супер-интенсив «IaC Ansible»
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02
Специальная цена
Курс переработан
Партнер курса
логотип партнера
Курс переработан
Специальная цена

Математика для Data Science

Длительность обучения:

Формат:

Начало занятий:

Дни занятий:

4 месяца

4 ак. часа в нед.

Online

25 февраля

Пн 20:00, Чт 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!
Demo day онлайн-курса "Math for data science", 1 февраля в 20:00
Demo Day — отличная возможность задать все вопросы по курсу, узнать подробнее о программе курса, особенностях онлайн-формата, навыках, компетенциях и перспективах, которые ждут выпускников после обучения.

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

Готовьте вопросы, сдавайте вступительный тест и присоединяйтесь!
Ведет
Петр
Лукьянченко
Предыдущий день открытых дверей
Статистическая зависимость, 10 февраля в 20:00
Вы узнаете о разных видах зависимостей между количественными и номинальными признаками, научитесь не путать статистическую зависимость с причинно-следственной, узнаете о методах выявления статистических зависимостей.
Александр
Горяинов
Предыдущий открытый вебинар
Производная функции и формула Тейлора, 16 февраля в 20:00
Вспомним ключевые понятия математического анализа: функции и ее производной. И при помощи этого матаппарата содержательно обсудим формулу Тейлора — один из самых фундаментальных математических разделов. Поговорим о том, зачем нужна эта формула, дадим необходимую теорию и, конечно, порешаем примеры
Сергей
Жестков
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
Алексей Чудинов
Сергей Жестков
Преподаватель МФТИ
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.

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
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.

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
4
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
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
Необходимые знания
  • Математика на уровне средней школы.
  • Аналитический склад ума.
  • Знакомство с высшей математикой будет плюсом, но необязательно.
Корпоративное обучение для ваших сотрудников
Поможем вашей компании развивать команду! Этот и еще 60+ курсов для IT-специалистов таких направлений, как: программирование, тестирование, администрирование, информационная безопасность, управление и Data Science. 300 компаний уже обучают у нас сотрудников.
>
Программа обучения
В процессе обучения вы получите комплексные знания и навыки.
C 25 февраля
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. Матричные производные
Тема 10. Применение линейной алгебры в Data Science
C 1 апреля
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 20 мая
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 29 июля
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: 23 июля 2021 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.
Классификация данных с помощью регрессионных моделей
Петр Лукьянченко
День открытых дверей
20 ноября 2020 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
67 500 ₽
75 000 ₽
Продолжительность
4 месяца
Начало занятий
25 февраля