Чтобы увидеть в больших объёмах данных закономерности, аналитик опирается на линейную алгебру, математический анализ и теорию вероятностей. Если специалист не разбирается в этих направлениях — гипотезы и выводы будут неточными. Это как запустить ракету в космос, не зная траекторию полёта.

Мы создали вводный курс в математику, чтобы вы начали исследовать данные с важным бэкграундом для Data Science и выбирали алгоритмы, которые будут решать поставленную задачу.

Математика — фундамент Data Science

Без математики и статистики невозможно использовать алгоритмы машинного обучения, а значит — правильно управлять данными

Кому подойдёт курс

Специалистам по Data Science

Начнёте глубже разбираться в алгоритмах машинного обучения. Поймёте, какие принципы лежат в основе разных алгоритмов, чтобы выбирать правильные инструменты

Аналитикам данных

Познакомитесь с основными математическими концепциями и заложите теоретический фундамент, чтобы лучше разбираться в статистике и правильно интерпретировать данные

Направление Нетологии «Аналитика и Data Science» — обладатель «Премии Рунета» в номинации «Образование и кадры» в 2019 году

Как проходит обучение

Разбираем теорию и закрепляем её на практике
После каждой лекции — практическое задание с обратной связью от эксперта. В конце курса вы выполните итоговую работу.
Поддерживаем студентов на каждом этапе
На протяжении всего курса кураторы и преподаватели отвечают на все вопросы, связанные с обучением.
Делимся знаниями без лишнего академизма
Мы структурировали ценную информацию и упаковали её в компактные блоки. Математика — сложная наука, но говорить о ней мы будем просто.
Обучаем по актуальной программе
Вы изучите направления математики, которые важны для полноценной работы с данными. Эксперты курса расскажут о решениях, которые применяют в своих проектах.

Программа курса

Видеолекции и практические задания. Посмотреть лекцию и выполнить домашнюю работу можно в удобное время.

Линейная алгебра

Это базовый раздел математики. Он даёт понимание, как компьютер представляет данные и управляет ими.

3 часа теории

9 часов практики

Лекция 1. Векторы

Лекция 2. Матрицы

Лекция 3. Продвинутая линейная алгебра

Математический анализ

Узнаете, какая теория стоит за понятием «машинное обучение». Поймёте, с помощью каких алгоритмов математического анализа компьютер ищет параметры моделей.

3 часа теории

9 часов практики

Лекция 4. Производная

Лекция 5. Производная функции нескольких аргументов

Лекция 6. Теория оптимизации

Теория вероятностей

Этот раздел математики поможет провести анализ гипотезы с помощью цифр и понять, какие выбрать шаги, чтобы решить задачу.

3 часа теории

9 часов практики

Лекция 7. Дискретные случайные величины

Лекция 8. Непрерывные случайные величины

Лекция 9. Центральные предельные теоремы и закон больших чисел

Гарантия возврата денег

У вас есть три занятия, чтобы попробовать. Если передумаете учиться — мы вернём вам всю сумму.

Итоговый проект

После теоретической части студент выполняет задания, чтобы применить математический аппарат на практике. Преподаватель проверяет и даёт обратную связь.

10 часов на подготовку

__________________________________________________

Проведёте визуальный анализ данных, используя снижение размерности

Этот метод позволяет избавиться от лишних данных, которые мешают воспринимать информацию на глаз. Вы оставите только те данные, которые важны по своим признакам

__________________________________________________

Решите практическую задачу, используя методы оптимизации функций

Поймёте, как компьютеры обучаются: какие есть подводные камни и как их обходить. Узнаете, как найти оптимальное решение для разных критериев, чтобы корректно настроить модель алгоритмов

Преподаватели

Даниил Корбут

Machine Learning Engineer, Amazon Alexa Shopping

Результат обучения

Умею:

Проверять векторы на линейную зависимость.

Решать системы линейных уравнений в матричной форме.

Вычислять собственные векторы и числа для матрицы.

Производить матричные разложения.

Вычислять производную функции нескольких аргументов.

Использовать различные методы оптимизации для поиска локального минимума функции.

Вычислять математическое ожидание и дисперсию дискретной случайной величины.

Использовать формулу Байеса для вычисления апостериорной вероятности.

Использовать закон больших чисел для оценки математического ожидания.

После курса сохранится неограниченный доступ к материалам. Поэтому вы сможете повторить темы в удобное время

Опыт и портфолио

После обучения вы сможете показать, что работали над реальными проектами

Удостоверение о повышении квалификации

Выдаём документ о прохождении курса установленного образца

Трудоустройство

Поможем составить резюме, найти подходящие вакансии и пройти интервью

Для обучения понадобится базовый уровень владения Python: знание библиотек NumPy, SciPy, Matplotlib. Если вы не изучали язык программирования, рекомендуем для начала пройти курс «Python для работы с данными».