- Регистрация
- 26.05.2022
- Сообщения
- 26 710
- Реакции
- 179
- Баллы
- 63
Математика для анализа данных [2022]
Яндекс.Практикум
Уверенное знание математики помогает аналитикам и специалистам по Data Science проходить собеседования, справляться с нетривиальными задачами и расти профессионально.
Наиболее востребованы теория вероятностей и статистика, линейная алгебра и математический анализ. Освойте один или несколько из этих разделов математики на нашем курсе.
Для кого этот курс:
1. Для начинающих аналитиков данных и специалистов по Data Science
2. Для выпускников и студентов курсов, посвящённых анализу данных
3. Для тех, кто готовится к математическим секциям собеседований в IT-компании
Что вы получите в Практикуме:
1. Математика человеческим языком
Идём от простого к сложному. Подробно разбираем каждое понятие. Даём много примеров и иллюстраций.2. Более 1000 практических задач
Объясняем, как абстрактные формулы связаны с анализом данных. Вы не просто читаете теорию, вы сразу закрепляете навык.3. Навыки для работы и собеседований
Сверяем учебный план с аналитиками и специалистами по Data Science. Учим только тому, что пригодится в работе.
Содержание
Модуль 1 - Теория вероятностей и статистика
Дискретный и непрерывный случай:
смотрим на дискретных и непрерывных случайных величинах, сравниваем:
вероятность, событие, вероятностное пространство,
свойства вероятности,
матожидание,
дисперсия,
медиана, мода,
зависимые и независимые события, теорема Байеса,
равномерное распределение,
распределение Пуассона,
экспоненциальное распределение,
что такое нормальное распределение и откуда оно взялось,
свойства нормального распределения,
ЦПТ — применяем нормальное распределение,
Работа с несколькими непрерывными случайными величинами:
арифметические операции и дисперсия,
совместное распределение,
зависимые величины,
условная вероятность,
сэплирование,
гистограммы.
Статистические тесты:
параметрические тесты,
доверительные интервалы,
логнормальное распределение, нелинейное преобразование данных,
непараметрические тесты,
АБ-тестирование,
множественная проверка гипотез, поправка Бонферони.
Максимизация правдоподобия:
понятие функции правдоподобия,
интерпретация и применение в машинном обучении,
подбор параметров при максимизации функции правдоподобия.
Модуль 2 - Линейная алгебра
Векторы:
векторы для описания объектов реального мира,
представление в геометрии в 2D, в 3D,
представление в Python,
операции над векторами,
линейная комбинация векторов,
линейная (не)зависимость:
определение,
геометрическая интерпретация,
алгоритмы проверки,
векторное пространство,
базис векторного пространства,
ортогональные векторы и базисы.
Нормы:
скалярное произведение и его геометрический смысл,
скалярное произведение в Python,
что такое норма,
L1, L2 нормы и их геометрическая интерпретация,
связь L2 нормы и скалярного произведения,
как считать нормы в Python,
L1, L2 и косинусное расстояния между векторами,
свойства косинусного расстояния,
применения косинусного расстояния для сравнения текстов.
Матрицы и их трансформации:
матрицы для описания объектов реального мира,
матрица в Python,
умножение матрицы на число,
сложение матриц,
умножение матрицы на вектор,
умножение матрицы и вектора как геометрическое преобразование вектора,
умножение матрицы как преобразование пространства, изменение размерности пространства при этом, например 2D и 3D,
умножение матрицы на матрицу и его геометрический смысл.
Обратная матрица и определитель:
что такое обратная матрица,
геометрический смысл обратной матрицы,
как найти обратную матрицу в Python,
вырожденная матрица,
определитель,
транспонирование матрицы,
упрощение матричных выражений.
Модуль 3 - Математический анализ
Функции и их графики:
функция и уравнение,
линейная и квадратичная функции,
монотонность,
кубическая, степенная функции,
отрицательная степень,
полиномы,
графики полиномов,
синус и косинус,
дробная степень,
Экспонента, логарифм, обратные функции, производные:
показательная функция,
обратная функция,
логарифм,
производная как скорость,
анализ возрастания, убывания функции при помощи производной,
нахождение максимума и минимума функции аналитически,
производная произведения, частного и сложной функции,
Предел, геометрическая прогрессия и интеграл:
предел, асимптоты,
производная как предел,
дифференцируемые, непрерывные функции,
разложение функции в ряд Тейлора (локальная аппроксимация функции при помощи полинома),
геометрическая прогрессия и знак суммирования,
интеграл.
Функция от нескольких переменных:
определение,
график в 3D,
частная производная,
максимизация, минимизация функции,
градиент, принципы градиентного спуска.
Модуль 4 - Продвинутая линейная алгебра
Регрессия:
постановка задачи,
явное решение с помощью обратной матрицы,
градиентный спуск.
Собственные числа:
вычисление руками,
характеристический многочлен,
геометрический смысл,
PCA, SVD
SVD — алгоритм сжатия матрицы, изображения,
компоненты PCA выделают главные отличия между объектами,
PCA геометрический смысл компонент,
PCA как инструмент визуализации.
Продажник
Яндекс.Практикум
Уверенное знание математики помогает аналитикам и специалистам по Data Science проходить собеседования, справляться с нетривиальными задачами и расти профессионально.
Наиболее востребованы теория вероятностей и статистика, линейная алгебра и математический анализ. Освойте один или несколько из этих разделов математики на нашем курсе.
Для кого этот курс:
1. Для начинающих аналитиков данных и специалистов по Data Science
2. Для выпускников и студентов курсов, посвящённых анализу данных
3. Для тех, кто готовится к математическим секциям собеседований в IT-компании
Что вы получите в Практикуме:
1. Математика человеческим языком
Идём от простого к сложному. Подробно разбираем каждое понятие. Даём много примеров и иллюстраций.2. Более 1000 практических задач
Объясняем, как абстрактные формулы связаны с анализом данных. Вы не просто читаете теорию, вы сразу закрепляете навык.3. Навыки для работы и собеседований
Сверяем учебный план с аналитиками и специалистами по Data Science. Учим только тому, что пригодится в работе.
Содержание
Модуль 1 - Теория вероятностей и статистика
Дискретный и непрерывный случай:
смотрим на дискретных и непрерывных случайных величинах, сравниваем:
вероятность, событие, вероятностное пространство,
свойства вероятности,
матожидание,
дисперсия,
медиана, мода,
зависимые и независимые события, теорема Байеса,
равномерное распределение,
распределение Пуассона,
экспоненциальное распределение,
что такое нормальное распределение и откуда оно взялось,
свойства нормального распределения,
ЦПТ — применяем нормальное распределение,
Работа с несколькими непрерывными случайными величинами:
арифметические операции и дисперсия,
совместное распределение,
зависимые величины,
условная вероятность,
сэплирование,
гистограммы.
Статистические тесты:
параметрические тесты,
доверительные интервалы,
логнормальное распределение, нелинейное преобразование данных,
непараметрические тесты,
АБ-тестирование,
множественная проверка гипотез, поправка Бонферони.
Максимизация правдоподобия:
понятие функции правдоподобия,
интерпретация и применение в машинном обучении,
подбор параметров при максимизации функции правдоподобия.
Модуль 2 - Линейная алгебра
Векторы:
векторы для описания объектов реального мира,
представление в геометрии в 2D, в 3D,
представление в Python,
операции над векторами,
линейная комбинация векторов,
линейная (не)зависимость:
определение,
геометрическая интерпретация,
алгоритмы проверки,
векторное пространство,
базис векторного пространства,
ортогональные векторы и базисы.
Нормы:
скалярное произведение и его геометрический смысл,
скалярное произведение в Python,
что такое норма,
L1, L2 нормы и их геометрическая интерпретация,
связь L2 нормы и скалярного произведения,
как считать нормы в Python,
L1, L2 и косинусное расстояния между векторами,
свойства косинусного расстояния,
применения косинусного расстояния для сравнения текстов.
Матрицы и их трансформации:
матрицы для описания объектов реального мира,
матрица в Python,
умножение матрицы на число,
сложение матриц,
умножение матрицы на вектор,
умножение матрицы и вектора как геометрическое преобразование вектора,
умножение матрицы как преобразование пространства, изменение размерности пространства при этом, например 2D и 3D,
умножение матрицы на матрицу и его геометрический смысл.
Обратная матрица и определитель:
что такое обратная матрица,
геометрический смысл обратной матрицы,
как найти обратную матрицу в Python,
вырожденная матрица,
определитель,
транспонирование матрицы,
упрощение матричных выражений.
Модуль 3 - Математический анализ
Функции и их графики:
функция и уравнение,
линейная и квадратичная функции,
монотонность,
кубическая, степенная функции,
отрицательная степень,
полиномы,
графики полиномов,
синус и косинус,
дробная степень,
Экспонента, логарифм, обратные функции, производные:
показательная функция,
обратная функция,
логарифм,
производная как скорость,
анализ возрастания, убывания функции при помощи производной,
нахождение максимума и минимума функции аналитически,
производная произведения, частного и сложной функции,
Предел, геометрическая прогрессия и интеграл:
предел, асимптоты,
производная как предел,
дифференцируемые, непрерывные функции,
разложение функции в ряд Тейлора (локальная аппроксимация функции при помощи полинома),
геометрическая прогрессия и знак суммирования,
интеграл.
Функция от нескольких переменных:
определение,
график в 3D,
частная производная,
максимизация, минимизация функции,
градиент, принципы градиентного спуска.
Модуль 4 - Продвинутая линейная алгебра
Регрессия:
постановка задачи,
явное решение с помощью обратной матрицы,
градиентный спуск.
Собственные числа:
вычисление руками,
характеристический многочлен,
геометрический смысл,
PCA, SVD
SVD — алгоритм сжатия матрицы, изображения,
компоненты PCA выделают главные отличия между объектами,
PCA геометрический смысл компонент,
PCA как инструмент визуализации.
Продажник
