Математика для Data Science. Базовый курс | OTUS
OTUS исполняется 3 года!
Скидки до 30% в честь дня рождения! Успейте купить курс по выгодной цене ➞
Выбрать курс

Курсы

Программирование
MS SQL Server разработчик AWS для разработчиков CI/CD на AWS, Azure и Gitlab Архитектура и шаблоны проектирования
-20%
Разработчик C++
-20%
Разработчик Java
-20%
React.js разработчик
-20%
Интенсив "Оптимизация в Java"
-50%
Framework Laravel
-30%
Базы данных
-20%
Разработчик на Spring Framework
-20%
Разработчик Golang
-10%
Разработчик C#
-10%
Team Lead 2.0
-15%
Vue.js разработчик
-20%
Разработчик Java Enterprise ReactJS/React Native-разработчик Разработчик голосовых ассистентов и чат-ботов
Специализации Курсы в разработке Подготовительные курсы
+7 499 110-61-65
Специальная цена

Математика для Data Science. Базовый курс

Изучите высшую математику для успешной карьеры в Data Science.
Подойдет ли мне этот курс?

Длительность

4 месяца

Начало

28 мая

Занятия

Чт 20:00, Пн 20:00

Общая стоимость

80 000 ₽ 72 000 ₽

В месяц

22 500 ₽

В кредит:

22500 ₽ в месяц

Хочу дешевле
Общая стоимость
80 000 ₽ 72 000 ₽
В месяц: 22 500 ₽
В кредит: 72000 ₽
в месяц
Продолжительность
4 месяца, 4 академ. часа в неделю
Чт 20:00, Пн 20:00
Начало занятий
28 мая
Что даст вам этот курс

Вы освоите основные разделы высшей математики, необходимые для успешной работы в Data Science: математический анализ, линейную алгебру, теорию вероятности и статистику. После курса вы будете готовы к изучению машинного обучения.

Для поступления на курс достаточно знать математику на школьном уровне.
Знакомство с высшей математикой будет плюсом, но необязательно.

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.


Полный набор знаний по математике для старта карьеры в Data Science

Много практики и живого общения с преподавателями
Всё о базовом курсе «Математика для Data Science», 6 мая в 20:00
День Открытых Дверей — отличная возможность задать все вопросы по математике и курсу, узнать подробнее о программе, особенностях онлайн-формата, навыках, компетенциях и перспективах, которые ждут выпускников после обучения.

Также преподаватель расскажет о себе и своём профессиональном опыте. Поэтому если есть вопрос, запишитесь на онлайн-трансляцию и задайте его в прямом эфире!
Ведет
Петр
Лукьянченко
Предыдущий день открытых дверей
Случайные величины и их применение, 13 мая в 20:00
На бесплатном вебинаре вы:
- узнаете о главном объекте, вокруг которого строится теория вероятностей и математическая статистика - о случайных величинах;
- поймёте, что это такое, для чего нам нужно уметь с ними работать, какие у случайных величин бывают характеристики, и как эти характеристики можно узнать, если они неизвестны.
Александр
Горяинов
Предыдущий открытый вебинар
Преподаватели
Петр Лукьянченко
Преподаватель ВШЭ по высшей математике
Сергей Жестков
Преподаватель МФТИ
Александр Горяинов
Кандидат физ.-мат. наук, доцент МАИ.
Дмитрий Музалевский
Lead Data Scientist в Koerber Digital
Александр Никитин
Специалист по Machine Learning
Антон Лоскутов
Data Scientist в Mail.Ru Group
Артем Кондрашов
Расим Зухба
Преподаватель кафедры высшей математики в МФТИ
Фарида Рословец
Алексей Катин
PhD в North Carolina State University
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.

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.

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.

Более 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: бакалавриат МГТУ им.Баумана "Компьютерный анализ и интерпретация данных"; магистратура НИУ МАИ "Математические методы в экономике и маркетинге".

Разработчик и data scientist с 6-летним опытом. В данное время занимается консалтингом и аутсорсом по машинному обучению для компаний в России, Европе и Австралии. Работал ML-инженером в Яндексе.
Научные интересы касаются обработки естественного языка, построения векторных представлений для слов и текстов, тематического моделирования.

Образование: МФТИ (факультет инноваций и высоких технологий)

Машинное обучение и анализ данных преподает с 2015 года на курсах, летних школах и семинарах.
Александр получает огромное удовольствие от обучения людей и стремится делиться знаниями с сообществом.

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.

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.

Занимается программированием на R более 4 лет.
Имеет опыт работы с широким спектром инструментов анализа и программирования - регрессия, анализ временных рядов и построение прогнозных моделей (forecast), байесовские методы, сетевой анализ, визуализация данных (ggplot2, plotly, ggmap), парсинг сайтов (xml2), Rmarkdown отчеты, интеграция C++ в R (Rcpp), чистка и обработка данных.

Любит узнавать новое и делиться знаниями.

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.

Окончила МГТУ им Баумана по направлению "Приборы и системы ориентации, стабилизации и навигации". Получила степень MBA в бизнес-школе МИРБИС.

Более 7 лет занималась разработкой электронных устройств для навигационных приборов и приборов спутниковой связи в качестве инженера-программиста.

Разрабатывала ПО для КПА на Labview, логику для МК и ПЛИС, моделировала математику в Matlab.

PhD (аспирант 4 года) в North Carolina State University, USA.
Область профессиональных интересов: анализ полевых и лабораторных данных качества водной среды для последующего построения прогнозных моделей. R является основным инструментом, в работе применяются регрессионный анализ и байесовый подход.

Образование: магистр наук по специальности гидролог (TU Dresden, 2015), инженер-эколог (МИСиС, 2009).

Опыт преподавания: 3 года в роли ассистента профессора в North Carolina State University.

Участник международных конференций: 25th Biennial CERF Conference (2019), 15th Estuarine and Coastal Modeling Conference (2018) , North Carolina's Coastal Conference (2017).

Петр
Лукьянченко
Сергей
Жестков
Александр
Горяинов
Дмитрий
Музалевский
Александр
Никитин
Антон
Лоскутов
Артем
Кондрашов
Расим
Зухба
Фарида
Рословец
Алексей
Катин
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.

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.

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.

Дмитрий Музалевский
Lead Data Scientist в Koerber Digital
Более 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: бакалавриат МГТУ им.Баумана "Компьютерный анализ и интерпретация данных"; магистратура НИУ МАИ "Математические методы в экономике и маркетинге".

Александр Никитин
Специалист по Machine Learning
Разработчик и data scientist с 6-летним опытом. В данное время занимается консалтингом и аутсорсом по машинному обучению для компаний в России, Европе и Австралии. Работал ML-инженером в Яндексе.
Научные интересы касаются обработки естественного языка, построения векторных представлений для слов и текстов, тематического моделирования.

Образование: МФТИ (факультет инноваций и высоких технологий)

Машинное обучение и анализ данных преподает с 2015 года на курсах, летних школах и семинарах.
Александр получает огромное удовольствие от обучения людей и стремится делиться знаниями с сообществом.

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.

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.

Артем Кондрашов
Занимается программированием на R более 4 лет.
Имеет опыт работы с широким спектром инструментов анализа и программирования - регрессия, анализ временных рядов и построение прогнозных моделей (forecast), байесовские методы, сетевой анализ, визуализация данных (ggplot2, plotly, ggmap), парсинг сайтов (xml2), Rmarkdown отчеты, интеграция C++ в R (Rcpp), чистка и обработка данных.

Любит узнавать новое и делиться знаниями.

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.

Фарида Рословец
Окончила МГТУ им Баумана по направлению "Приборы и системы ориентации, стабилизации и навигации". Получила степень MBA в бизнес-школе МИРБИС.

Более 7 лет занималась разработкой электронных устройств для навигационных приборов и приборов спутниковой связи в качестве инженера-программиста.

Разрабатывала ПО для КПА на Labview, логику для МК и ПЛИС, моделировала математику в Matlab.

Алексей Катин
PhD в North Carolina State University
PhD (аспирант 4 года) в North Carolina State University, USA.
Область профессиональных интересов: анализ полевых и лабораторных данных качества водной среды для последующего построения прогнозных моделей. R является основным инструментом, в работе применяются регрессионный анализ и байесовый подход.

Образование: магистр наук по специальности гидролог (TU Dresden, 2015), инженер-эколог (МИСиС, 2009).

Опыт преподавания: 3 года в роли ассистента профессора в North Carolina State University.

Участник международных конференций: 25th Biennial CERF Conference (2019), 15th Estuarine and Coastal Modeling Conference (2018) , North Carolina's Coastal Conference (2017).

Отзывы
2
Станислав
Елькин
Вообще круто. Петр большой молодец!
Читать целиком
Ярослав
Шел сюда чтобы заполнить пробел в математике и научится читать формулы в статьях о машинном обучении. Обе цели этот курс мне помог решить. Очень ценен сам формат обучения: живые вебинары с решениями на бумаге. Сильно помогает выработать интуицию. Преподавательский состав был скорее хороший. Отдельное спасибо Петру Лукьянченко, Александру Горяинову — они умеют делать изучение математики по настоящему увлекательным.
Читать целиком
Станислав
Елькин
Вообще круто. Петр большой молодец!
Читать целиком
Ярослав
Шел сюда чтобы заполнить пробел в математике и научится читать формулы в статьях о машинном обучении. Обе цели этот курс мне помог решить. Очень ценен сам формат обучения: живые вебинары с решениями на бумаге. Сильно помогает выработать интуицию. Преподавательский состав был скорее хороший. Отдельное спасибо Петру Лукьянченко, Александру Горяинову — они умеют делать изучение математики по настоящему увлекательным.
Читать целиком
Петр Лукьянченко о базовом курсе «Математика для Data Science»
Необходимые знания
  • Математика на уровне средней школы.
  • Аналитический склад ума.
  • Знакомство с высшей математикой будет плюсом, но необязательно.
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 неделю, 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.
Программа обучения
Модуль 1
Математический анализ
Модуль 2
Линейная алгебра
Модуль 3
Теория вероятностей
Математический анализ
Тема 1: Введение
математика в Data Science. Цели и задачи курса.

Обсудим, зачем учить математику, что это даст, и какая польза от неё в мире DataScience.
28 мая, 20:00 — 21:30
Тема 2: Теория пределов. Часть I
числовая последовательность. Предел числовой последовательности. Предельный переход в неравенствах. Предел монотонной ограниченной последовательности. Предел функции.

Выучим, как считать предел последовательности, что такое неопределенности, какую информацию они в себе содержат.
1 июня, 20:00 — 21:30
Тема 3: Теория пределов. Часть II
определения и основные теоремы. Основные теоремы о пределах. Первый и второй замечательные пределы. Сравнение бесконечно малых. Эквивалентные бесконечно малые, основные теоремы и применение.

Правила и законы операций с пределами. Что можно и что нельзя делать.
4 июня, 20:00 — 21:30
Домашние задания: 1
1 Вычисление производных и пределов значений функции в бесконечности
Тема 4: Непрерывность и дифференцируемость функции
непрерывность функции в точке. Непрерывность функции в интервале и на промежутке. Точки разрыва функции и их классификация. Основные теоремы о непрерывных функциях. Непрерывность элементарных функций. Свойства функций, непрерывных на промежутке.

Определим условия, при которых функция называется непрерывной, и какие плюсы это даёт нам.
8 июня, 20:00 — 21:30
Тема 5: Первая производная
определение и интерпретация производной. Уравнение касательной к графику дифференцируемой функции. Производная как абсолютная скорость изменений и эластичность как относительная скорость изменений. Непрерывность дифференцируемых функций. Производная и арифметические операции. Производная композиции дифференцируемых функций. Производная обратной функции. Производные основных элементарных функций.

Сможем вычислить производную любой функции или докажем, что ее не существует.
11 июня, 20:00 — 21:30
Домашние задания: 1
1 Задачи на вычисление производных, построение линейной аппроксимации функции
Тема 6: Вторая производная
геометрический смысл второй производной. Выпуклые функции. Применение второй производной в задачах оптимизации.

Вторая производная определяет свойства выпуклости функции и, соответственно, позволяет определить свойства экстремальных точек функции.
15 июня, 20:00 — 21:30
Тема 7: Оптимизация функции (одной переменной)
точки возрастания, убывания, локального минимума и локального максимума числовой функции. Интерпретации знака производной как признак точки возрастания или убывания. Необходимое условие экстремума.

Вспомним, как вычислить максимум или минимум функции, сможем отличать их от "седловых" точек функции.
18 июня, 20:00 — 21:30
Домашние задания: 1
1 Решение задач максимизации функции, минимизации функции ошибок (на примере задачи линейной регрессии)
Тема 8: Теория рядов. Часть I
понятие положительного, знакочередующегося и степенного рядов. Область сходимости. Простейшие свойства функциональных рядов. Абсолютная и условная сходимость.

Выучим определение ряда, научимся определять сходимость положительных рядов.
22 июня, 20:00 — 21:30
Тема 9: Теория рядов. Часть II
выучим признаки сходимости знакочередующихся рядов. Поймём, что такое интервал сходимости, и сможем его вычислять.
25 июня, 20:00 — 21:30
Домашние задания: 1
1 Определение интервала сходимости степенных рядов
Тема 10: Формула Тейлора
формула Тейлора для многочлена.
Формула Тейлора для произвольной функции.
29 июня, 20:00 — 21:30
Тема 11: Неопределенное интегрирование
определения и простейшие свойства. Метод непосредственного интегрирования. Метод интегрирования подстановкой. Метод интегрирования по частям.

Научимся интегрировать функции разными способами: заменой и по частям. Сможем интегрировать функции х^n*sin(x).
2 июля, 20:00 — 21:30
Домашние задания: 1
1 Разложение функции в ряд Тейлора, аппкросимация функции с заданной точностью.
Цель: 1. Разложить в ряд Тейлора функцию y(x)=2x^2+7x−3 в точке x0=2 до порядка m=3 2. Разложить в ряд Тейлора функцию y(x)=ln(x+6)-xsinx в точке x0=1 до порядка m=4 3. Разложить в ряд Маклорена функцию y(x)=e^2x + 7 в точке x0=0 до порядка m=5
Тема 12: Определенное интегрирование
понятие определенного интеграла. Свойства определенного интеграла. Понятие о рациональных функциях. Интегрирование простейших рациональных дробей. Интегрирование рациональных дробей.

С помощью определённого интеграла будем считать под графиком функции. Также обсудим способы аппроксимации значения интеграла.
6 июля, 20:00 — 21:30
Тема 13: Несобственные интегралы
понятие несобственных интегралов 1-го и 2-го рода. Несобственные интегралы от неотрицательных функций. Абсолютная сходимость.

Будем считать интеграл, когда границы интегрирования стремятся в бесконечность.
9 июля, 20:00 — 21:30
Домашние задания: 1
1 Решение задач по вычислению интегралов, расчет площади/объемов фигур
Цель: Задания в файле integrals.pdf в материалах лекции
Тема 14: Функции 2-х переменных
частные производные 1-го порядка и их геометрический смысл. Частные производные высших порядков. Дифференцируемость и полный дифференциал функции. Дифференциалы высших порядков.

Узнаем, как считать производные функции от многих переменных, как это может быть представлено на плоскости или в многомерном пространстве.
13 июля, 20:00 — 21:30
Линейная алгебра
Тема 1: Матрицы и элементарные операции
системы линейных уравнений. Определение матрицы. Виды матриц. Сложение. Умножение. Транспонирование.

Выучим метод Гаусса, а также сможет строить матрицы и выполнять операции с ними.
16 июля, 20:00 — 21:30
Домашние задания: 1
1 Сложение, умножение, транспонирование матриц
Тема 2: Линейная зависимость
линейная зависимость строк (столбцов). Основная лемма о линейной зависимости, база и ранг системы строк (столбцов). Ранг матрицы. Критерий совместности и определенности системы линейных уравнений в терминах рангов матриц. Фундаментальная система решений однородной системы линейных уравнений.

Как найти базис? Для чего он нужен и что с ним делать?
20 июля, 20:00 — 21:30
Тема 3: Определитель
определитель квадратной матрицы, его основные свойства. Критерий равенства определителя нулю. Формула разложения определителя матрицы по строке (столбцу). Теорема Крамера о системах линейных уравнений с квадратной матрицей.

Научимся считать определитель любой матрицы, поймём, как его применять. Сможем считать даже на Python.
23 июля, 20:00 — 21:30
Домашние задания: 1
1 Вычисление определителя квадратных матриц и ранга произвольных матриц
Тема 4: Обратная матрица
определитель квадратной матрицы, его основные свойства. Критерий равенства определителя нулю. Формула разложения определителя матрицы по строке (столбцу). Теорема Крамера о системах линейных уравнений с квадратной матрицей.

Обсудим разные хитрости, как быстро считать обратную матрицу, какие бывают проблемы и как их можно решить.
27 июля, 20:00 — 21:30
Тема 5: СЛАУ
критерий совместимости СЛАУ (теорема Кронекера-Капелли ). Решение произвольных систем m линейных уравнений с n неизвестными методом Гаусса. Однородные САЛУ и их решение.

Узнаем критерий, который скажет, существует ли решение или его нет.
30 июля, 20:00 — 21:30
Домашние задания: 1
1 Решение СЛАУ различными способами
Тема 6: Векторная алгебра
линейные векторные пространства. Линейные преобразования. Скалярное и векторное произведение векторов.

Построенное множество векторов, можно упорядочить и определить операции, возможные над ним.
3 августа, 20:00 — 21:30
Тема 7: Диагонализация матрицы. Часть 1
собственные значения и собственные векторы.

Сможем определять собственные числа и собственные вектора для матрицы.
6 августа, 20:00 — 21:30
Домашние задания: 1
1 Посчитать собственные числа и векторы
Тема 8: Диагонализация матрицы. Часть 2
собственные значения и собственные векторы.

Научимся диагонализировать матрицу и переводить ее в базис из собственных векторов.
10 августа, 20:00 — 21:30
Тема 9: MidTerm
практическое занятие. Решение задач.

Больше практики! Решаем задачи и освежаем в памяти результаты 2-х месяцев учебы.
13 августа, 20:00 — 21:30
Домашние задания: 1
1 Решение задач на все изученные темы
Теория вероятностей
Тема 1: Случайные события
опыт и его исходы. Пространство элементарных событий. Вероятность события. Независимость событий. Условная вероятность. Формулы сложения и умножения. Формулы полной вероятности и Байеса.

Узнаем о множестве всевозможных исходов и поймём определение вероятности.
17 августа, 20:00 — 21:30
Тема 2: Случайные величины
случайная величина. Дискретные и непрерывные случайные величины. Закон распределения случайной величины и способы его описания. Моментные характеристики случайных величин. Компьютерное моделирование необходимого распределения.

Выучим наиболее распространённые распределения для дискретных и непрерывных случайных величин.
20 августа, 20:00 — 21:30
Домашние задания: 1
1 Задачи на анализ дискретных случайных величин
Тема 3: Основные законы распределения. Часть I
основные законы распределения и их физический смысл: биномиальное, пуассоновское, экспоненциальное, равномерное, гауссовское.

Поймём, в каких условиях лучше применять тот или иной вид распределения, какие у них плюсы и минусы.
24 августа, 20:00 — 21:30
Тема 4: Основные законы распределения. Часть II
основные законы распределения и их физический смысл: биномиальное, пуассоновское, экспоненциальное, равномерное, гауссовское.

Понимание ключевых математических теорем, которые позволяют и ограничивают применение тех методов, которые мы используют регулярно в DS. Сформулируем ответы на вопросы: как тот или иной метод возник? При каких условиях его можно применять? В каких случаях этот метод применять нельзя?
27 августа, 20:00 — 21:30
Домашние задания: 1
1 Задачи на предыдущие темы курса: максимизировать функцию, отнормировать относительно среднего, вычислить количество возможных повторений.
Тема 5: Основные законы распределения. Виды зависимостей между случайными величинами.
основные законы распределения и их физический смысл. Виды зависимостей между случайными величинами: функциональная, причинно-следственная, статистическая, корреляционная.
31 августа, 20:00 — 21:30
Тема 6: Точечные оценки и их свойства
точечные оценки и их свойства. Метод максимального правдоподобия.

Выучим способы оценки параметров на основе выборочных данных.
3 сентября, 20:00 — 21:30
Домашние задания: 1
1 Построение точечной оценки и определение свойств оценок параметров
Тема 7: Интервальные оценки. Выборочные характеристики
доверительные интервалы. Принцип построения доверительных интервалов.
Выборочные характеристики (выборочное среднее, выборочная дисперсия, выборочная функция распределения, гистограмма, ядерные оценки плотности) как оценки теоретических.
7 сентября, 20:00 — 21:30
Домашние задания: 1
1 Построение выборочных характеристик по выборке
Цель: Вы научитесь строить по выборке описательные статистики, дающие наглядное представление об изучаемом количественном признаке.
Тема 8: Проверка гипотез
статистическая гипотеза. Ошибки I и II рода. Уровень значимости. Статистический критерий. P-значение. Принятие решения при проверке гипотезы.
10 сентября, 20:00 — 21:30
Домашние задания: 1
1 Проверка гипотезы о вероятности "успеха"
Цель: Вы проверите, правильно ли вы поняли логику процесса проверки статистической гипотезы. Научитесь самостоятельно проверять гипотезу о вероятности события.
Тема 9: Проверка гипотез при A/B-тестировании
проверка гипотезы о законе распределения выборки. Критерий согласия Пирсона. Проверка гипотезы о независимости двух номинальных признаков. Критерий хи-квадрат.
14 сентября, 20:00 — 21:30
Домашние задания: 1
1 Проверка гипотез. А/В-тестирование
Цель: Вы научитесь отвечать на вопрос о том, является ли значимой разница в долях для бинарных признаков и разница в средних значениях для количественных признаков.
Тема 10: Регрессии. Часть I
линейные, многомерные, логистические регрессии. МНК, ММП, ММ.

Вы будете знать теорему Гаусса-Маркова, а также основные виды регрессий для оценки зависимости в данных.
17 сентября, 20:00 — 21:30
Домашние задания: 1
1 Построить линейную регрессию в Python
Тема 11: Итоговое занятие
подведение итогов и результатов.
21 сентября, 20:00 — 21:30
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.
Линейная алгебра: матрицы и их практическое применение
Сергей Жестков
День открытых дверей
27 января 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
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: 26 октября 2020 года
Ваш сертификат

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Математика для Data Science. Базовый 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 2018 года.

онлайн-образование

Сертификат №0001

Константин Константинопольский

Успешно закончил курс «Математика для Data Science. Базовый 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 2018 года.
Общая стоимость
80 000 ₽ 72 000 ₽
В месяц: 22 500 ₽
В кредит: ₽ в месяц
Продолжительность
4 месяца
Начало занятий
28 мая
🔥 Скидки до 50% на новые супер-интенсивы!
«Тестирование игр», «Data Engineer», «работа с протоколом BGP». Узнайте подробности в чате ➞