Математика для Data Science. Продвинутый курс
Получите полный набор знаний по высшей математике для специалистов по Data Science уровня Middle/Senior. Закрепляйте пройденное на реальных кейсах, получайте фидбек от преподавателей. Углубленное изучение линейной алгебры, математического анализа и статистики.
Преподаватели

Преподаватель высшей математики в ВШЭ, Team Lead Analytics в Lamoda.

Ведущий Data Scientist в Koerber Digital GmbH, занимается Big Data и Machine Learning для промышленных предприятий.

Специалист по машинному обучению, бывший ML-инженер Яндекс.

Data Scientist в Mail.Ru Group, лектор проекта Open Data Science.

PhD в Университете Северной Каролины, аналитик, R-программист.

Кандидат физико-математических наук, доцент кафедры теории вероятностей МАИ.

Научный сотрудник предприятия военно-промышленного комплекса.

Опытный программист на языке R, владеет широким стеком инструментов анализа.

Преподаватель высшей математики в МФТИ: аналитическая геометрия, дифференциальные уравнения, линейная алгебра, математический анализ.
Содержание курса
Курс разбит на четыре модуля:
- Линейная алгебра.
- Математический анализ.
- Математическая статистика.
- Проектная работа.
Кому подойдет данный курс
Курс рассчитан на тех, кто знает основы линейной алгебры, теории вероятности и мат.анализа, но хочет освоить весь математический аппарат, необходимый для решения задач в Data Science на уровне Middle/Senior.
Приобретенные навыки
На курсе студенты рассмотрят на реальных кейсах следующие темы:
- математика в Data Science;
- теория вероятностей;
- матрицы, разложения, производные;
- линейная алгебра в Data Science/Machine Learning;
- теория множеств;
- метрические пространства;
- дифференцирование;
- оптимизация;
- метод наименьших квадратов;
- метод максимального правдоподобия;
- интегрирование;
- мат.анализ в Machine Learning (ML);
- случайные события и величины;
- моделирование случайных величин;
- моделлирование системы массового обслуживания;
- доверительные интервалы;
- проверка гипотез;
- дисперсионный анализ;
- зависимости;
- линейная регрессия;
- кластерный анализ;
- классификация наблюдений;
- снижение размерности;
- и многое другое
Студенты, которые успешно завершили курс, смогут трудоустроиться в компаниях-партнерах школы Отус (NVIDIA, ABBYY, Тинькоff и др.).
Дополнительно
Необходимые знания для успешного освоения курса:
- 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 систем линейных алгебраических уравнений (СЛАУ), вычисление определителя и ранга СЛАУ;
- теория вероятности: основы комбинаторики, формула условной и полной вероятности, математическое ожидание и дисперсия случайной величины.