Каждый, кто начинает свой путь в Data Science, стремится когда-нибудь дорасти до уровня Senior. Но требования к специалистам такого уровня, особенно в крупных компаниях, очень высоки. Большинство соискателей не могут пройти собеседование.

Чтобы уверенно решать не типовые задачи и создавать собственные архитектуры, мало владеть основными методами машинного обучения и нейронных сетей: важно понимать законы математики и статистики у них «под капотом».

Существующие курсы по этим темам рассказываются сухим и академичным языком и не нацелены на практику, а на русском языке таких курсов еще меньше. Именно поэтому мы решили создать первый специализированный курс по математике и статистике для Data Science!

Программа

Линейная алгебра

1. Вектора и виды матриц.
2. Проведение операций над матрицами.
3. Определение линейной зависимости с помощью матриц.
4. Изучение обратных, вырожденных и невырожденных матриц.
5. Изучение систем линейных уравнений, собственных и комплексных чисел.
6. Освоение матричного и сингулярного разложения.
7. Решение задач линейной зависимости с помощью матриц.
8. Оптимизация с помощью метода главных компонент.
9. Закрепление математических основ линейной регрессии.

Основы матанализа

1. Изучение функций одной и многих переменных и производных.
2. Освоение понятия градиента и градиентного спуска.
3. Тренировка в задачах оптимизации.
4. Изучение метода множителей Лагранжа, метода Ньютона и имитации отжига.
5. Решение задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации.
6. Закрепление математических основ градиентного спуска и имитации отжига.

Основы теории вероятности и статистики

1. Изучение общих понятий описательной и математической статистики.
2. Освоение комбинаторики.
3. Изучение основных типов распределений и корреляции.
4. Теорема Байеса.
5. Наивный байесовский классификатор.
6. Решение задач комбинаторики, валидности и прогнозирования методами статистики и теорвера.
7. Закрепление математических основ классификации и логистической регрессии.

Временные ряды и прочие математические методы

1. Анализ временных рядов.
2. Освоение более сложные типы регрессий.
3. Прогнозирование бюджета с помощью временных рядов.
4. Закрепление математических основ классических моделей машинного обучения.