Математика для Data Science. Базовый курс | OTUS
⚡ Открываем подписку на курсы!
Проходите параллельно 3 онлайн-курса в месяц по цене одного.
Подробнее

Курсы

Программирование
iOS Разработчик. Продвинутый курс Программист 1С Реверс-инжиниринг. Продвинутый курс
-16%
Java Developer. Professional
-17%
JavaScript Developer. Professional
-18%
Flutter Mobile Developer
-15%
MS SQL Server Developer
-14%
Unity Game Developer. Basic
-19%
Супер - практикум по использованию и настройке GIT
-18%
Супер-интенсив "СУБД в высоконагруженных системах"
-18%
Web-разработчик на Python
-11%
Backend-разработчик на PHP
-8%
PostgreSQL
-10%
Базы данных
-19%
Android-разработчик. Базовый курс Разработчик Python. Продвинутый курс Разработчик на Spring Framework AWS для разработчиков Cloud Solution Architecture CI/CD Vue.js разработчик Разработчик Node.js Scala-разработчик Супер - интенсив по Kubernetes Symfony Framework Advanced Fullstack JavaScript developer
Специализации Курсы в разработке Подготовительные курсы
+7 499 938-92-02

Математика для Data Science. Базовый курс

Полный набор знаний высшей математики для старта в Data Science

Длительность обучения:

Формат:

Начало занятий:

Дни занятий:

4 месяца

4 ак. часа в нед.

Online

31 августа

Пн 20:00, Чт 20:00

Что даст вам этот курс

Вы научитесь использовать математический анализ, линейную алгебру, теорию вероятности и статистику в различных задачах Data Science.
Вы будете понимать устройство моделей, сможете их правильно выбирать, улучшать и адаптировать.
К концу курса вы уверенно овладеете математическим аппаратом и сможете сделать свои первые шаги в направлениях Анализа данных или Машинном обучении.






Петр Лукьянченко о базовом курсе «Математика для Data Science»

Пётр Лукьянченко, руководитель и автор курсов «Математика для Data Science» базовый и продвинутый уровень, расскажет почему Data Science сейчас набирает популярность и без математики невозможен.




Для кого этот курс?


Для тех, кто не сталкивался ни с высшей математикой, ни с анализом данных.
Для обучения достаточно школьных знаний.

Когда в Data Science используют математику?


Во всех случаях, где фигурируют заманчивые гонорары и интересные задачи, математика — основное требование к специалистам. Именно умение применять эти знания на практике — тот экспресс, который позволит быстро перерасти джуниорские позиции и подняться на уровень Middle с средней зарплатой 190 тыс. рублей (согласно данным из открытых источников на май 2020).
Математический анализ необходим при калибровке модели: чтобы построить аппарат оптимизации, для максимизации правдоподобия или минимизации ошибок.
Линейная алгебра нужна в работе с многомерными пространствами, чтобы преобразовывать данные одним ходом, а не значение за значением.
Математическая статистика применяется для работы с моделями линейных регрессий. Она помогает правильно выбрать распределение и установить зависимость между переменными.

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!


Как выбрать уровень? Связь базового и продвинутого курсов


Выбор зависит от исходной подготовки:
  • Базовый для школьного уровня и когда нет опыта в аналитике. В программе акцент сделан на математическую составляющую, с азов разбираются все термины, функции и формулы. Курс формирует крепкий фундамент, который позволит работать с существующими методами анализа данных

  • Продвинутый — если есть хотя бы поверхностные институтские знания математики и/или опыт в Data Science. Здесь мы уже больше обсуждаем конкретные методы анализа данных и как использовать в них математику, разбираем архитектуры моделей и способы решения нестандартных задач

Вам достаточно пройти один из курсов, чтобы потом развиваться в любом направлении Data Science. В каждом есть все необходимые математические инструменты, отличается лишь глубина погружения.
Вступительный тест поможет определить, какой курс вам больше подходит. Если во время обучения вы почувствуете, что Базовый уровень для вас слишком простой, вы можете перевестись в Продвинутую группу. Курсы идут параллельно.

Преподаватели

Петр Лукьянченко
Преподаватель ВШЭ по высшей математике
Сергей Жестков
Преподаватель МФТИ
Александр Горяинов
Кандидат физ.-мат. наук, доцент МАИ.
Виктор Легкоступ
Научный сотрудник предприятия ВПК
Дмитрий Музалевский
Lead Data Scientist, Берлин
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.

Руководитель программы
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.

Преподаватель
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
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).

Преподаватель
Более 8 лет опыта в области анализа данных и машинного обучения в различных индустриях: телеком, онлайн-ритейл, банковская сфера, финтех и медтех.

В настоящий момент работает в медицинской сфере, занимаясь проблемами обработки звуковых сигналов и улучшением слуховых аппаратов. На позиции Lead Data Scientist ведет работу команды по аналитике больших объемов данных, машинным и глубоким обучением полного цикла.

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

Преподаватель
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.

Преподаватель
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.

Преподаватель
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
Виктор
Легкоступ
Дмитрий
Музалевский
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.

Руководитель программы
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.

Преподаватель
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
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).

Преподаватель
Дмитрий Музалевский
Lead Data Scientist, Берлин
Более 8 лет опыта в области анализа данных и машинного обучения в различных индустриях: телеком, онлайн-ритейл, банковская сфера, финтех и медтех.

В настоящий момент работает в медицинской сфере, занимаясь проблемами обработки звуковых сигналов и улучшением слуховых аппаратов. На позиции Lead Data Scientist ведет работу команды по аналитике больших объемов данных, машинным и глубоким обучением полного цикла.

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

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. 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.

Преподаватель
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.

Преподаватель
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
5
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
Виктор
Калинин
Я выпускник МГТУ "СТАНКИН" по направлению "Автоматизация технологических производств". В ИТ чуть больше 15 лет - успел поработать и системным администратором, и ИТ менеджером, иweb-разработчиком и даже инженером-разработчиком электронных устройств. В настоящий момент работаю руководителем отдела ИТ в одной знаменитой российской компании-производителе детской обуви с богатой историей.
Последние несколько лет я все чаще стал сталкиваться с задачами, которые попадают в современную область Data Science. Несколько раз пытался начать обучение в данном направлении (даже брал курсы на Coursera, но так ни одного и не закончил) и, сталкиваясь с первыми сложностями в обучении, всегда успокаивал себя, что и всё это какая-то магия и объект поклонения настоящих математиков в очках с толстыми стеклами, которые свитеры в брюки заправляют, а моя участь – всю оставшуюся профессиональную жизнь автоматизировать бизнес-процессы с помощью 1С (возможно это и неплохо, но не моё). Но, делая очередной «подход к снаряду», я понял, что пропустил первый и самый важный шаг – необходимость восстановить свой математический аппарат, который уже «давно заплесневел и мхом покрылся со времен института». Проанализировав рынок обучения, остановился на компании OTUS и курсе «Математика для Data Science. Базовый курс», т.к. привлекла сильная команда преподавателей, хорошая программа обучения и онлайн-формат.
В процессе обучения ожидания подтвердились: преподаватели понятно объясняют материал, а через Slack всегда можно уточнить нюансы или попросить объяснить моменты, которые остались непонятными. Также сам формат онлайн занятий тоже оказался удобным – всегда есть записи занятий, которые можно пересмотреть в любое время.
А теперь немного критики. OTUS - компания молодая, поэтому иногда, совсем редко, в лекциях встречаются небольшие технические недочеты, а некоторые преподаватели могут использовать академическую подачу материала, что не вписывается в общую концепцию компании, но кураторы OTUS тщательно отслеживают такие моменты и быстро принимают правильные управленческие решения.
Но самое главное, что я получил от курса не только знания, но и возможность опять начать учиться и это очень здорово. Это ни с чем не сравнимое чувство студенческой романтики. Появилось огромное желание писать код, решать сложные задачи, изучать новые и перспективные технологии. Понимать, что сделал первый шаг, чтобы стать востребованным специалистом в одной из самых популярных областей.
Закончив курс «Математика для Data Science. Базовый курс», я сразу же записался на трек по Data Science, состоящий из курсов «Machine learning» и «Нейронные сети на Python» и в настоящий момент успешно учусь уже два месяца.
Читать целиком
Александр
Задыкян
Всё хорошо,курс реально помог вспомнить прошлый и усвоить новый материал.
Преподаватели грамотно, доходчиво давали материал. Я доволен
Читать целиком
Алексей
Субботин
Спасибо за курс всем преподавателям и организаторам. Я получил знания, которые использую для решения прикладных задач.
Всем удачи и успехов
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
Виктор
Калинин
Я выпускник МГТУ "СТАНКИН" по направлению "Автоматизация технологических производств". В ИТ чуть больше 15 лет - успел поработать и системным администратором, и ИТ менеджером, иweb-разработчиком и даже инженером-разработчиком электронных устройств. В настоящий момент работаю руководителем отдела ИТ в одной знаменитой российской компании-производителе детской обуви с богатой историей.
Последние несколько лет я все чаще стал сталкиваться с задачами, которые попадают в современную область Data Science. Несколько раз пытался начать обучение в данном направлении (даже брал курсы на Coursera, но так ни одного и не закончил) и, сталкиваясь с первыми сложностями в обучении, всегда успокаивал себя, что и всё это какая-то магия и объект поклонения настоящих математиков в очках с толстыми стеклами, которые свитеры в брюки заправляют, а моя участь – всю оставшуюся профессиональную жизнь автоматизировать бизнес-процессы с помощью 1С (возможно это и неплохо, но не моё). Но, делая очередной «подход к снаряду», я понял, что пропустил первый и самый важный шаг – необходимость восстановить свой математический аппарат, который уже «давно заплесневел и мхом покрылся со времен института». Проанализировав рынок обучения, остановился на компании OTUS и курсе «Математика для Data Science. Базовый курс», т.к. привлекла сильная команда преподавателей, хорошая программа обучения и онлайн-формат.
В процессе обучения ожидания подтвердились: преподаватели понятно объясняют материал, а через Slack всегда можно уточнить нюансы или попросить объяснить моменты, которые остались непонятными. Также сам формат онлайн занятий тоже оказался удобным – всегда есть записи занятий, которые можно пересмотреть в любое время.
А теперь немного критики. OTUS - компания молодая, поэтому иногда, совсем редко, в лекциях встречаются небольшие технические недочеты, а некоторые преподаватели могут использовать академическую подачу материала, что не вписывается в общую концепцию компании, но кураторы OTUS тщательно отслеживают такие моменты и быстро принимают правильные управленческие решения.
Но самое главное, что я получил от курса не только знания, но и возможность опять начать учиться и это очень здорово. Это ни с чем не сравнимое чувство студенческой романтики. Появилось огромное желание писать код, решать сложные задачи, изучать новые и перспективные технологии. Понимать, что сделал первый шаг, чтобы стать востребованным специалистом в одной из самых популярных областей.
Закончив курс «Математика для Data Science. Базовый курс», я сразу же записался на трек по Data Science, состоящий из курсов «Machine learning» и «Нейронные сети на Python» и в настоящий момент успешно учусь уже два месяца.
Читать целиком
Александр
Задыкян
Всё хорошо,курс реально помог вспомнить прошлый и усвоить новый материал.
Преподаватели грамотно, доходчиво давали материал. Я доволен
Читать целиком
Алексей
Субботин
Спасибо за курс всем преподавателям и организаторам. Я получил знания, которые использую для решения прикладных задач.
Всем удачи и успехов
Читать целиком
Необходимые знания
  • Математика на уровне средней школы.
  • Аналитический склад ума.
  • Знакомство с высшей математикой будет плюсом, но необязательно.
Программа обучения
В процессе обучения вы получите комплексные знания и навыки.
Тема 1. Введение
Тема 2. Теория пределов. Часть I
Тема 3. Теория пределов. Часть II
Тема 4. Непрерывность и дифференцируемость функции
Тема 5. Первая производная
Тема 6. Вторая производная
Тема 7. Оптимизация функции (одной переменной)
Тема 8. Теория рядов. Часть I
Тема 9. Теория рядов. Часть II
Тема 10. Формула Тейлора
Тема 11. Неопределенное интегрирование
Тема 12. Определенное интегрирование
Тема 13. Несобственные интегралы
Тема 14. Функции 2-х переменных
C 22 октября
Тема 15. Матрицы и элементарные операции
Тема 16. Однородные СЛАУ
Тема 17. Определитель
Тема 18. Обратная матрица
Тема 19. Неоднородные СЛАУ
Тема 20. Векторная алгебра
Тема 21. Диагонализация матрицы. Часть 1
Тема 22. Диагонализация матрицы. Часть 2
Тема 23. MidTerm
C 3 декабря
Тема 24. Случайные события
Тема 25. Случайные величины
Тема 26. Основные законы распределения
Тема 27. Моделирование случайных величин
Тема 28. Точечные оценки и их свойства
Тема 29. Интервальные оценки. Выборочные характеристики
Тема 30. Проверка гипотез
Тема 31. Проверка гипотез при A/B-тестировании
Тема 32. Исследование зависимостей
Тема 33. Регрессии
Тема 34. Итоговое занятие
Скачать подробную программу
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: 28 февраля 2021 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.
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.
Линейные пространства и отображения
Сергей Жестков
День открытых дверей
25 августа 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
Стоимость обучения
80 000 ₽
В месяц: 22 500 ₽
Продолжительность
4 месяца
Начало занятий
31 августа