Математика для Data Science

Прокачайте свои знания по математике для успешной карьеры в Data Science. Обучайтесь на реальных кейсах.
Подойдет ли мне этот курс?

Длительность

4 месяца

Начало

30 июля

Занятия

Вт 20:00, Пт 19:00

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 академических часа в неделю
Вт 20:00, Пт 19:00
Начало занятий
30 июля
Что даст вам этот курс

Чему вы научитесь?


Программа позволит освоить математический аппарат, необходимый для продуктивной работы в Data Science.

Обычно математику в вузах преподают в отрыве от реальных задач, где она в дальнейшем будет применяться. Мы пошли по другому пути. Каждый модуль этого 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?


Курс подойдет всем, кто хочет развиваться в сфере Data Science. Для обучения вам понадобятся базовые знания в высшей математике.

Зачем учить математику?


ИИ и DataScience — это тренд 21-го века. Возможности ИИ удивляют с каждым днем. Например, такси без водителя и магазины без продавца — это уже не фантастика, а реальность. В скором будущем ИИ заменит людей в большом количестве специальностей.

Профессия Data Scientist становится одной из самых перспективных и востребованных в IT. Cредняя зарплата Data Scientist-ов в России вдвое выше, чем в в IT — 190 тыс. руб.

Основная сложность этой профессии — высокие требования к знаниям высшей математики. Именно из-за неё сыпятся на большинстве собеседований.




Обучение математике на реальных кейсах

Много практики и живого общения с преподавателями

Полный набор знаний для успешной работы в Data Science

    Преподаватель
    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.
    Преподаватель
    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.
    Минимальные 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 и мат. статистика
    Модуль 4
    Проектная работа
    Линейная алгебра
    Тема 1: Математика в DataScience
    вы поймете, где же именно в Data Science встречается математика и почему знание математики — это необходимое условие, чтобы стать успешным в этой области.
    30 июля, 20:00 — 21:30
    Домашние задания: 2
    1 Сложение и умножение матриц
    2 Посчитать собственные числа и вектора.
    Тема 2: Основные термины и определения математического анализа, линейной алгебры и теории вероятностей
    1) базовые термины матанализа:
    — предел;
    — непрерывность функции;
    — дифференциал;
    2) базовые термины линейной алгебры:
    — вектор;
    — матрица, ее виды;
    — ранг;
    — определитель;
    3) базовые термины теории вероятности:
    — определение вероятности;
    — мат. ожидание;
    — дисперсия;
    4) установка Python, предоставление рекомендаций по интерпретатору;
    5) вычисление базовых задач на Python с помощью стандартных пакетов.
    6 августа, 20:00 — 21:30
    Домашние задания: 1
    1 Сложение и умножение матриц.
    Тема 3: Матрицы. Основные понятия и операции
    — ключевые определения;
    — операция над матрицами;
    — определитель;
    — обратная матрица;
    — вычисления собственных значений и собственных векторов;
    — квадратичные формы.
    9 августа, 19:00 — 20:30
    Домашние задания: 1
    1 Посчитать собственные числа и вектора.
    Тема 4: Геометрическая интерпретация в линейной алгебре
    — геометрическая интерпретация матричных преобразований;
    — правило Крамера;
    — матрицы;
    — матрица Маркова;
    — форма.
    13 августа, 20:00 — 21:30
    Тема 5: Матричные разложения
    Разложение SVD и прочие.
    16 августа, 19:00 — 20:30
    Домашние задания: 1
    1 Разложить матрицу в SVD.
    Тема 6: Матричные производные
    — матричные производные;
    — дифференциальные уравнения в матрицах.
    20 августа, 20:00 — 21:30
    Тема 7: Применение линейной алгебры в Data Science.
    классификация данных с SVM.
    23 августа, 19:00 — 20:30
    Домашние задания: 1
    1 Повторить вычисления с занятия в Python на других данных.
    Тема 8: Применение линейной алгебры в Machine Learning
    распознавание изображений.
    27 августа, 20:00 — 21:30
    Тема 9: 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.
    30 августа, 19:00 — 20:30
    Математический анализ
    Тема 1: Теория множеств
    — вероятностные пространства;
    — дискретное пространство элементарных исходов;
    — вероятность на числовой прямой и плоскости;
    — правило сложения и умножения.
    3 сентября, 20:00 — 21:30
    Тема 2: Метрические пространства
    — понятие метрического пространства;
    — определение нормированного пространства, понятие нормы, отличие от метрики, примеры нормированных пространств;
    — норма в оптимизации.
    6 сентября, 19:00 — 20:30
    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.
    10 сентября, 20:00 — 21:30
    Тема 4: Дифференцирование
    — дифференцируемость функции в точке;
    — частные производные и дифференциалы высших порядков;
    — градиент;
    — матрица Гессе.
    13 сентября, 19:00 — 20:30
    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.
    17 сентября, 20:00 — 21:30
    Тема 6: Минимизация и Максимизация в Регрессиях
    — МНК;
    — ММ.
    20 сентября, 19:00 — 20:30
    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.
    24 сентября, 20:00 — 21:30
    Тема 8: Поиск экстремумов в ML
    — покоординатсный спуск;
    — градиентный спуск;
    — адаптивные варианты градиентного спуска.
    27 сентября, 19:00 — 20:30
    Домашние задания: 1
    1 Поиск экстремума с Python.
    Тема 9: 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.
    1 октября, 20:00 — 21:30
    Теория вероятностей и мат. статистика
    Тема 1: Основы теории графов и комбинаторика
    — принцип Дирихле;
    — перестановки;
    — размещения;
    — сочетания;
    — задачи на сочетания;
    — «геометрические» задачи;
    — бином Ньютона;
    — определение графов и их применения.
    4 октября, 19:00 — 20:30
    Тема 2: Дискретные случайные величины
    — распределения случайных величин;
    — дискретные и непрерывные распределения;
    — функция распределения и её свойства;
    — распределение Бернулли;
    — риномиальное распределение;
    — равномерное распределение;
    — экспоненциальное распределение;
    — распределение Лапласа;
    — распределение Коши.
    8 октября, 20:00 — 21:30
    Домашние задания: 1
    1 Вычислить мат.ожидание, написав программный код в Python.
    Тема 3: Непрерывные случайные величины
    — распределения случайных величин;
    — дискретные и непрерывные распределения;
    — функция распределения и её свойства;
    — распределение Бернулли;
    — риномиальное распределение;
    — равномерное распределение;
    — экспоненциальное распределение;
    — распределение Лапласа;
    — распределение Коши.
    11 октября, 19:00 — 20:30
    Тема 4: Теоремы
    — случайные последовательности и сходимость;
    — теорема Пуассона для схемы Бернулли;
    — закон больших чисел (Чебышева, Бернулли, Хинчина);
    — ЦПТ Локальная;
    — ЦПТ Линдеберга;
    — ЦПТ Ляпунова.
    15 октября, 20:00 — 21:30
    Домашние задания: 1
    1 Задачи на предыдущие темы курса: максимизировать функцию. Отнормировать относительно среднего. Вычислить количество возможных повторений.
    Тема 5: Точечное и интервальное оценивание
    — точечные оценки и их свойства, метод моментов;
    — метод максимального правдоподобия;
    — асимптотическая нормальность оценок;
    — доверительные интервалы;
    — принцип построения доверительных интервалов.
    18 октября, 19:00 — 20:30
    Тема 6: Регресии
    — линейные, многомерные, логистические регрессии;
    — МНК, ММП, ММ.
    22 октября, 20:00 — 21:30
    Домашние задания: 1
    1 Построить линейную регрессию в Python.
    Тема 7: Метод главных компонент
    — определение главных компонент, их вычисление;
    — применение в задачах регрессионного анализа.
    25 октября, 19:00 — 20:30
    Тема 8: Моделирование случайных величин
    — условная функция распределения;
    — условная плотность распределения;
    — корреляционная зависимость.
    29 октября, 20:00 — 21:30
    Тема 9: Моделирование случайных величин
    метод Монте-Карло.
    1 ноября, 19:00 — 20:30
    Домашние задания: 1
    1 Провести Монте-Карло симуляцию для вычисления числа Пи.
    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.
    5 ноября, 20:00 — 21:30
    Проектная работа
    Тема 1: Вводное занятие по проекту
    определение тем и заданий для финального проекта.
    12 ноября, 20:00 — 21:30
    Домашние задания: 1
    1 Проектная работа
    Тема 2: АБ-тестирование в теории и на практике
    обсуждение кейса из практики.
    15 ноября, 19:00 — 20:30
    Тема 3: Коллоборативная функция
    обсуждение кейса из практики.
    19 ноября, 20:00 — 21:30
    Тема 4: Консультации по проекту
    22 ноября, 19:00 — 20:30
    Тема 5: Защита проекта
    обсуждение результатов учащихся с выполнением проекта.
    26 ноября, 20:00 — 21:30
    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.
    Дата выдачи сертификата: 28 декабря 2019 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 2018г.

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