Математика для Data Science. Продвинутый курс | OTUS

Курсы

Курсы в разработке Подготовительные курсы
Работа в компаниях Компаниям Блог +7 499 110-61-65

Математика для Data Science. Продвинутый курс

Best Practice по изучению математического аппарата, необходимого для успешной карьеры в Data Science
Подойдет ли мне этот курс?

Длительность

4 месяца

Начало

25 октября

Занятия

Вт 19:00, Пт 20:00

Общая стоимость

44 000 ₽

В месяц

12 500 ₽

В кредит:

12500 ₽ в месяц

Хочу дешевле
Общая стоимость
44 000 ₽
В месяц: 12 500 ₽
В кредит: 44000 ₽
в месяц
Продолжительность
4 месяца, 4 академ. часа в неделю
Вт 19:00, Пт 20:00
Начало занятий
25 октября
Что даст вам этот курс

Обычно математику в вузах преподают в отрыве от реальных задач, где она в дальнейшем будет применяться. Мы пошли по другому пути. Каждый модуль профессионального курса сбалансирован математической теорией и практическими примерами, которые взяты из реальных кейсов. Вы будете решать задачу регрессии, проводить АБ-тестирование, работать над рекомендательной системой, использовать метод опорных векторов.

Для кого этот курс?
Для поступления нужно быть знакомым с основами математического анализа, линейной алгебры и теории вероятности. Курс подойдет всем, кто хочет развиваться в сфере Data Science. Он поможет вам освоить весь необходимый математический аппарат для решения задач на позиции Middle/Senior Data Scientist.

Зачем учить математику?
Профессия Data Scientist становится одной из самых перспективных и востребованных в IT. Средняя зарплата специалистов Data Science в России вдвое выше, чем у специалистов других IT-направлений — 190 тыс. руб. Основная сложность профессии — высокие требования к знаниям высшей математики. Уверенное владение математическим аппаратом позволяет повысить уровень компетенций и вырасти в профессиональном плане.


Обучение математике на реальных кейсах

Много практики и живого общения с преподавателями

Полный набор знаний для успешной работы в Data Science

    Преподаватели
    Петр Лукьянченко
    Преподаватель ВШЭ по высшей математике
    Александр Горяинов
    Кандидат физ.-мат. наук, доцент МАИ.
    Дмитрий Музалевский
    Lead Data Scientist в Koerber Digital
    Иван Леонов
    Data Science Team Lead в Globant
    Антон Лоскутов
    Data Scientist в Mail.Ru Group
    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
    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: магистратура МГТУ им.Баумана "Компьютерный анализ и интерпретация данных"; бакалавриат НИУ МАИ "Математические методы в экономике и маркетинге".

    Преподаватель
    Изучал математику в Белорусском государственном университете, Иллинойском технологическом институте (Illinois Institute of Technology), Чикагском университете (University of Chicago). Работал в компаниях AIG, TV Guide, MTV/Viacom в качестве разработчика, архитектора данных, аналитика, Operations & Product менеджера.

    Последние 4 года работает в Data Science, из них три года — в EPAM. В настоящее время — Data Science Team Lead в компании Globant. На своём опыте убедился, что изучение математики приносит пользу даже в областях деятельности, которые на первый взгляд далеки от математики.

    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.

    Проводит лекции по машинному обучению в проекте Open Data Science. Считает, что машинное обучение — это не только fit-predict, но и математическое понимание происходящего.

    Преподаватель
    Петр
    Лукьянченко
    Александр
    Горяинов
    Дмитрий
    Музалевский
    Иван
    Леонов
    Антон
    Лоскутов
    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
    Дмитрий Музалевский
    Lead Data Scientist в Koerber Digital
    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: магистратура МГТУ им.Баумана "Компьютерный анализ и интерпретация данных"; бакалавриат НИУ МАИ "Математические методы в экономике и маркетинге".

    Преподаватель
    Иван Леонов
    Data Science Team Lead в Globant
    Изучал математику в Белорусском государственном университете, Иллинойском технологическом институте (Illinois Institute of Technology), Чикагском университете (University of Chicago). Работал в компаниях AIG, TV Guide, MTV/Viacom в качестве разработчика, архитектора данных, аналитика, Operations & Product менеджера.

    Последние 4 года работает в Data Science, из них три года — в EPAM. В настоящее время — Data Science Team Lead в компании Globant. На своём опыте убедился, что изучение математики приносит пользу даже в областях деятельности, которые на первый взгляд далеки от математики.

    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.

    Проводит лекции по машинному обучению в проекте Open Data Science. Считает, что машинное обучение — это не только fit-predict, но и математическое понимание происходящего.

    Преподаватель
    Петр Лукьянченко о курсе «Математика для Data Science»
    Необходимые знания
    • 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
    Модуль 1
    Линейная алгебра
    Модуль 2
    Математический анализ
    Модуль 3
    Теория вероятностей
    Модуль 4
    Проектная работа
    Линейная алгебра
    Тема 1: Введение 1. Математика в DataScience
    понимание, что быть успешным Datascientist без знания математики, а главное без ее понимания, невозможно.
    План и структура этого курса.
    Знакомство с преподавателем
    25 октября, 19:00 — 20:30
    Лектор: Петр Лукьянченко
    Тема 2: Введение 2. Основные термины и определения математического анализа, линейной алгебры и теории вероятностей
    — Базовые термины матанализа (предел, непрерывность функции, дифференциал)
    — Базовые термины линейной алгебры (вектор, матрица, ее виды, ранг, определитель)
    — Базовые термины теории вероятности (определение вероятности, мат.ожидание, дисперсия)
    — Установка Python, предоставление рекомендаций по интерпретатору
    — Вычисление базовых задач на Python с помощью стандартных пакетов
    1 ноября, 20:00 — 21:30
    Лектор: Антон Лоскутов
    Домашние задания: 1
    1 Основы линейной алгебры, мат.анализа и теории вероятности
    Цель: Цель данной домашней работы - развить практические навыки, полученных в ходе первого и второго уроков.
    Тема 3: Матрицы. Основные понятия и операции
    ключевые определения, операция над матрицами, определитель, обратная матрица, вычисления собственных значений и собственных векторов, квадратичные формы
    5 ноября, 19:00 — 20:30
    Лектор: Антон Лоскутов
    Домашние задания: 1
    1 Посчитать собственные числа и вектора.
    Тема 4: Геометрическая интерпретация в линейной алгебре
    — Геометрическая интерпретация матричных преобразований
    — Правило Крамера
    — Знакоопределенность матрицы. Матрица Маркова. Жорданова форма
    8 ноября, 20:00 — 21:30
    Лектор: Петр Лукьянченко
    Тема 5: Матричные разложения
    — Разложение SVD и ALS
    — Неотрицательные разложения
    — Заполнения пропусков в матрицах
    12 ноября, 19:00 — 20:30
    Лектор: Дмитрий Музалевский
    Домашние задания: 1
    1 Разложить матрицу в SVD.
    Цель: Для матрицы A=[3 7] выполнить сингулярное разложение в python с использованием библиотеки numpy (функция linalg.svd). Записать получившуюся матрицу преобразования. [5 2]
    Тема 6: Матричные производные
    — Матричные производные
    — Дифференциальные уравнения в матрицах
    15 ноября, 20:00 — 21:30
    Лектор: Иван Леонов
    Тема 7: Применение линейной алгебры в Data Science.
    классификация данных с SVM и Logistic Regression
    19 ноября, 19:00 — 20:30
    Лектор: Иван Леонов
    Домашние задания: 1
    1 Повторить вычисления с занятия в Python на других данных.
    Тема 8: Применение линейной алгебры в Machine Learning
    обработка изображений и линейная алгебра
    22 ноября, 20:00 — 21:30
    Лектор: Антон Лоскутов
    Математический анализ
    Тема 1: Теория множеств
    — Вероятностные пространства. Дискретное пространство элементарных исходов
    — Вероятность на числовой прямой и плоскости. Правило сложения и умножения
    26 ноября, 19:00 — 20:30
    Лектор: Петр Лукьянченко
    Тема 2: Метрические пространства
    — Понятие метрического пространства.
    — Определение нормированного пространства, понятие нормы, отличие от метрики, примеры нормированных пространств.
    — Норма в оптимизации
    29 ноября, 20:00 — 21:30
    Лектор: Иван Леонов
    Домашние задания: 1
    1 Свойство метрики. Вычислить простые операции над множеством.
    Тема 3: Теория пределов
    — Определение Коши.
    — Определение Пиано.
    — Вычисление пределов функций.
    — Асимптотические функции.
    — Эквивалентные функции.
    — Оценка сложности функции
    3 декабря, 19:00 — 20:30
    Лектор: Антон Лоскутов
    Тема 4: Дифференцирование
    — Дифференцируемость функции в точке Частные производные и дифференциалы высших порядков
    — Градиент. Матрица Гессе
    6 декабря, 20:00 — 21:30
    Лектор: Петр Лукьянченко
    Домашние задания: 1
    1 Вычисление производных и пределов значений функции в бесконечности.
    Тема 5: Оптимизация
    — Экстремумы функций многих переменных
    — Определения точек локального и глобального минимума. Необходимое и достаточное условие экстремума для выпуклых функций.
    — Понятие стационарных точек и отличие в их определении от точек экстремума
    10 декабря, 19:00 — 20:30
    Лектор: Петр Лукьянченко
    Тема 6: Минимизация и Максимизация в Регрессиях
    — МНК
    — ММП
    13 декабря, 20:00 — 21:30
    Лектор: Антон Лоскутов
    Домашние задания: 1
    1 Максимизация функции с ограничениями. Минимизация квадрата ошибки.
    Тема 7: Интегрирование
    — Неопределенный интеграл. Определенный интеграл
    — Приложения определенного интеграла и приближенные методы его вычисления
    — Несобственные интегралы. Двойные интегралы
    — Приближенные методы интегрирования
    17 декабря, 19:00 — 20:30
    Лектор: Петр Лукьянченко
    Тема 8: Применение Мат.анализа в ML
    — Покоординатный спуск
    — Градиентный спуск
    — Адаптивные варианты градиентного спуска
    — Ньютоновские методы, BFGS
    20 декабря, 20:00 — 21:30
    Лектор: Дмитрий Музалевский
    Домашние задания: 1
    1 Поиск экстремума с Python.
    Тема 9: Применение Мат.анализа в ML
    — Линейная регрессия и разные подходы к оптимизации (градиентный спуск, bounds, итд.)
    — Нелинейная регрессия (реализация на нейронных сетях) и разные подходы к оптимизации
    24 декабря, 19:00 — 20:30
    Лектор: Дмитрий Музалевский
    Тема 10: MidTerm
    проверочная работа.
    В ходе занятия будет предоставляться от 2-х до 5-ти минут на решение практической задачи. По истечению отведенного времени преподаватель решает задание на экране
    10 января, 20:00 — 21:30
    Лектор: Петр Лукьянченко
    Теория вероятностей
    Тема 1: Комбинаторика и Основы теории вероятностей
    — Принцип Дирихле. Перестановки. Размещения. Сочетания.
    — Опыт и его исходы. Пространство элементарных событий. Вероятность события.
    — Независимость событий. Условная вероятность. Формулы сложения и умножения.
    — Формулы полной вероятности и Байеса
    14 января, 19:00 — 20:30
    Лектор: Александр Горяинов
    Тема 2: Случайные величины
    — Случайная величина
    — Дискретные и непрерывные случайные величины
    — Закон распределения случайной величины и способы его описания
    Дискретные и непрерывные распределения
    — Функция распределения и её свойства
    — Распределение Бернулли
    — Биномиальное распределение
    — Моделирование на Python дискретное распределение (для задачи МонтеКарло)
    17 января, 20:00 — 21:30
    Лектор: Александр Горяинов
    Домашние задания: 1
    1 Вычислить мат.ожидание, написав программный код в Python.
    Тема 3: Непрерывные случайные величины
    — Основные законы распределения и их физический смысл: биномиальное, пуассоновское, экспоненциальное, равномерное, гауссовское
    — Компьютерное моделирование различных распределений
    21 января, 19:00 — 20:30
    Лектор: Дмитрий Музалевский
    Тема 4: Теоремы
    — Случайные последовательности и сходимость
    — Теорема Пуассона для схемы Бернулли
    — Закон больших чисел (Чебышева, Бернулли, Хинчина)
    — ЦПТ Локальная, ЦПТ Линдеберга, ЦПТ Ляпунова
    — Точечные оценки и их свойства
    24 января, 20:00 — 21:30
    Лектор: Дмитрий Музалевский
    Домашние задания: 1
    1 Задачи на предыдущие темы курса: максимизировать функцию. Отнормировать относительно среднего. Вычислить количество возможных повторений.
    Тема 5: Точечное и интервальное оценивание
    — Асимптотическая нормальность оценок
    — Доверительные интервалы. Принцип построения доверительных интервалов
    28 января, 19:00 — 20:30
    Лектор: Александр Горяинов
    Тема 6: Проверка гипотез
    — Проверка статистических гипотез. Формулировка гипотез.
    — Проверка гипотезы о законе распределения выборки. Критерий согласия Пирсона.
    — Проверка гипотезы о независимости двух номинальных признаков. Критерий хи-квадрат
    31 января, 20:00 — 21:30
    Тема 7: Проверка гипотез. Часть 2
    — Ошибки I и II рода, уровень значимости. Статистический критерий. Построение доверительной и критической областей. P-value
    — Проверка гипотезы о вероятности успеха в схеме Бернулли. Биномиальный критерий
    4 февраля, 19:00 — 20:30
    Лектор: Александр Горяинов
    Тема 8: Виды зависимостей
    — Виды зависимостей случайных величин: функциональная, причинно-следственная, статистическая, корреляционная. Различия и связь между ними.
    — Условные распределения
    7 февраля, 20:00 — 21:30
    Лектор: Александр Горяинов
    Тема 9: Регресии
    — Линейные, многомерные, логистические регрессии
    — МНК, ММП, ММ
    11 февраля, 19:00 — 20:30
    Лектор: Петр Лукьянченко
    Домашние задания: 1
    1 Построить линейную регрессию в Python.
    Тема 10: Метод главных компонент
    — Определение главных компонент, их вычисление
    — Понижение размерности и отбор признаков
    — Применение в задачах регрессионного анализа
    14 февраля, 20:00 — 21:30
    Лектор: Дмитрий Музалевский
    Тема 11: Моделирование случайных величин
    — Random Walks, практические методы
    — Вероятностный классификатор: Logistic Regression, Random Forest, Gradient Boosting
    — Вероятностные Нейронные Сети
    18 февраля, 19:00 — 20:30
    Лектор: Дмитрий Музалевский
    Тема 12: Моделирование случайных величин.Часть 2
    — Random Walks, практические методы
    — Вероятностный классификатор: Logistic Regression, Random Forest, Gradient Boosting
    — Вероятностные Нейронные Сети
    21 февраля, 20:00 — 21:30
    Лектор: Дмитрий Музалевский
    Домашние задания: 1
    1 Провести Монте-Карло симуляцию для вычисления числа Пи.
    Тема 13: MidTerm
    — Проверочная работа.
    — Обсуждение тем проектной работы
    25 февраля, 19:00 — 20:30
    Лектор: Дмитрий Музалевский
    Проектная работа
    Тема 1: Консультация по проекту
    обсуждение кейса из практики
    28 февраля, 20:00 — 21:30
    Лектор: Дмитрий Музалевский
    Домашние задания: 1
    1 Проектная работа
    Тема 2: Консультация по проекту
    обсуждение кейса из практики
    3 марта, 19:00 — 20:30
    Лектор: Петр Лукьянченко
    Тема 3: Защита дипломного проекта
    обсуждение кейса из практики
    6 марта, 20:00 — 21:30
    Лектор: Дмитрий Музалевский
    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.
    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.
    Продвинутая Математика для Data Science: на пути к Senior
    День открытых дверей
    17 октября 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
    Дата выдачи сертификата: 24 марта 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 2018г.

    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 2018г.
    Общая стоимость
    44 000 ₽
    В месяц: 12 500 ₽
    В кредит: ₽ в месяц
    Продолжительность
    4 месяца
    Начало занятий
    25 октября