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. Спойлер: Программа 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.