Математика для Data Science

Для кого предназначен курс

• Для профессионалов в области Data Science, стремящихся достичь уровня senior

Что вы освоите

• Освоите программирование на Python для анализа и обработки данных
• Научитесь извлекать информацию из различных источников: баз данных, файлов и веб-ресурсов
• Освоите работу с моделями и алгоритмами машинного обучения для решения практических задач

Каких результатов достигнете уже к середине обучения

• Создадите модель для предсказания кредитного рейтинга
• Разработаете систему рекомендаций товаров, учитывающую предпочтения покупателей
• Построите модель, способствующую росту продаж в розничной торговле
• Приобретёте навыки на уровне middle Data Scientist

Содержание курса

Часть 1. Линейная алгебра

• Изучение векторов и различных типов матриц
• Овладение операциями с матрицами
• Анализ линейной зависимости с помощью матриц
• Разбор обратных, вырожденных и невырожденных матриц
• Изучение систем линейных уравнений, собственных и комплексных чисел
• Освоение матричного и сингулярного разложения
• Решение задач линейной зависимости с применением матриц
• Оптимизация через метод главных компонент
• Закрепление математической базы для линейной регрессии

Часть 2. Основы математического анализа

• Изучение функций одной и нескольких переменных, а также производных
• Понимание концепций градиента и метода градиентного спуска
• Практика в решении задач оптимизации
• Освоение метода множителей Лагранжа, метода Ньютона и имитации отжига
• Решение задач предсказания и поиска оптимальных стратегий с использованием производных и численных методов
• Укрепление знаний по градиентному спуску и имитации отжига

Часть 3. Основы теории вероятностей и статистики

• Ознакомление с основами описательной и математической статистики
• Изучение комбинаторики
• Анализ основных распределений и корреляций
• Изучение теоремы Байеса
• Понимание принципов наивного байесовского классификатора
• Решение задач комбинаторики, валидации и прогнозирования с применением статистики и теории вероятностей
• Закрепление знаний по классификации и логистической регрессии

Часть 4. Временные ряды и дополнительные математические методы

• Изучение анализа временных рядов
• Освоение сложных видов регрессий
• Прогнозирование бюджета с помощью временных рядов
• Закрепление математических основ классических моделей машинного обучения