[Яндекс.Практикум] Математика для анализа данных, 2022

Николай1122 · 1 окт 2023

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.

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.

Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...

cosmos

Курсы по созданию дизайна сайтов для вас - гость (выдача сразу после оплаты)

Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...
Вы научитесь делать веб-сайты, разрабатывать удобные интерфейсы и решать проблемы пользователей. Сможете создавать впечатляющий дизайн и освоите новую профессию.

Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...
Вы станете универсальным специалистом, который умеет в 3D всё: создавать объекты и окружение, настраивать текстуры и цвет, анимировать и внедрять модели в 3D-сцену. Освоите Houdini, Autodesk Maya, Photoshop, ZBrush и Marmoset Toolbag и сможете претендовать на работу в рекламе, играх или кино.