Для тех, кто хочет развивать карьеру в машинном обучении и Data Science
Для тех, кто хочет работать с математическими моделями
Решение уравнений и неравенств, работа с дробями и степенями
Функции и графики: что такое функции и графики, область применения. Линейные, логарифмические и степенные функции
Геометрия: понимание угла и его измерения, синус, косинус
Выполнять линейные преобразования и факторизацию матриц (например, сингулярное разложение) для анализа многомерных данных и понижения их размерности
Искать экстремумов функций с использованием производных и классических алгоритмов, включая метод наименьших квадратов
Рассчитывать вероятности событий и описывать случайные величины с использованием различных законов распределения и формулы Байеса
Оценивать параметры распределений и проверять статистические гипотезы на основе выборочных данных
В этом модуле мы изучим базовые инструменты линейной алгебры, которые используются для представления и преобразования данных. Разберём векторы, матрицы и линейные отображения, научимся работать с базисами и понимать, как данные меняют представление при преобразованиях. Познакомимся с собственными значениями и разложениями матриц как инструментами анализа и приближения данных.
Тема 1: Векторное пространство. Базис
Тема 2: Линейное отображение и его матричное представление
Тема 3: Матрицы и векторы. Основные определения и операции.
Тема 4: Зависимость матрицы отображения от выбора базисов векторных пространств
Тема 5: Нормированные векторные пространства, скалярное произведение
Тема 6: Собственные значения линейных операторов. Диагонализация матрицы
Тема 7: Сингулярное разложение матрицы
В этом модуле мы изучим основы математического анализа, необходимые для понимания оптимизации моделей. Разберём производные функций в одномерном и многомерном случаях, научимся находить экстремумы и формулировать критерии оптимальности. Рассмотрим метод наименьших квадратов и базовые алгоритмы оптимизации, применяемые при обучении моделей.
Тема 1: Введение в математический анализ. Производная одномерной функции
Тема 2: Производная в многомерных пространствах
Тема 3: Критерии оптимальности
Тема 4: Метод наименьших квадратов
Тема 5: Классические алгоритмы оптимизации
В этом модуле мы изучим математические методы работы с неопределённостью и данными. Разберём вероятностные модели, случайные величины и распределения, научимся вычислять вероятности и анализировать зависимости между переменными. Познакомимся с основами статистического вывода: оцениванием параметров, доверительными интервалами и проверкой статистических гипотез.
Тема 1: Аксиоматика теории вероятностей. Классическая вероятность
Тема 2: Условная и полная вероятность. Формула Байеса
Тема 3: Дискретные случайные величины и их характеристики
Тема 4: Многомерные дискретные величины. Корреляция
Тема 5: Непрерывные случайные величины. Нормальное распределение
Тема 6: Введение в задачу статистики. Точечные оценки
Тема 7: Интервальные оценки параметров
Тема 8: Проверка статистических гипотез I
Тема 9: Проверка статистических гипотез II
Skoltech Computational Intelligence Laboratory
Исследователь, Преподаватель математики
Пишу научные статьи в составе международной коллаборации, занимаюсь коммерческими проектами по темам машинного обучения и вычислительной линейной алгебры. У меня большой опыт в преподавании: почти 10 занимаюсь организацией добровольной инициативы - многопрофильной летней школы-лагеря для школьников старших классов в Тульской области. На данный момент преподаю во ВШЭ курс по теории вероятностей и статистике на английском языке. Профессиональные интересы: оптимизация, линейная алгебра, статистика, uncertainty quantification, обучение с подкреплением, регрессионный анализ, планирование эксперимента.
Эксперты-практики делятся опытом, разбирают кейсы студентов и дают развернутый фидбэк на домашние задания
OTUS осуществляет лицензированную образовательную деятельность.
Вы получите сертификат о прохождении обучения
Сертификат о прохождении курса
Доступ к учебным материалам курса