Курс по математике для Data Science [SkillFactory] [Аяна Шелике]

Складчина: Курс по математике для Data Science [SkillFactory] [Аяна Шелике]

дата старта: 24 мая
длительность курса: 8 недель

Сделайте своё резюме привлекательным для крупных Data Science-based компаний

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!

Как проходит обучение:

• Изучаете подготовительный материал

Вы сможете проходить обучение из любой точки планеты. Новые модули будут открываться раз в неделю. Специально разработанный контент и дополнительные материалы помогут разобраться в теме.

• Выполняете практические задания

Практика состоит из трех частей: выполнения простых упражнений на базе Python; решения жизненных задач из области анализа данных, прогнозирования и оптимизации; закрепления в machine learning

• Общаетесь с однокурсниками и получаете фидбэк ментора

Вы будете постоянно общаться со своими сокурсниками в закрытых каналах в Slack. Если вы что-то не поймете или не справитесь с задачей - мы поможем разобраться.

• Сдаете выпускной экзамен

В конце курса вас ждет специальное задание, в котором вы сможете применить все полученные навыки и подтвердить успешное изучение материала.

Спойлер: Преимущества курса

Мы рассказываем о математике и статистике понятно и доходчиво. Наша цель — не сделать из вас гения фундаментальной математики, а заложить фундамент для вашего роста в Data Science. С остальным вы разберетесь сами, наша задача — помочь вам втянуться.



Курс содержит много практики, которая не ограничивается решением классических уравнений и абстрактных заданий. Мы показываем, как знание математики и статистики работает в решении реальных жизненных задач в области анализа данных, прогнозирования и оптимизации.



Мы рассматриваем применение математических и статистических закономерностей в машинном обучении и нейронных сетях, чтобы вы в дальнейшем могли работать не только с типовыми моделями и архитектурами.


У нас есть не только сообщество единомышленников, с которыми вы можете обсудить затруднения и поделиться наболевшим, но и поддержка ментора, который поможет выйти из тупика. Вы не останетесь с курсом один на один.

Спойлер: Программа курса

Часть 1

Линейная алгебра
Изучаем вектора и матрицы
Учимся проводить операции над матрицами
Осваиваем матричное разложение
Решаем задачи оптимизации с помощью матриц
Решаем задачи визуализации с помощью метода главных компонент
Закрепляем математические основы линейной регрессии

Часть 2

Основы матанализа

Изучаем производные и экстремумы функций
Осваиваем понятие градиента и градиентного спуска
Тренируемся в задачах оптимизации
Изучаем метод множителей Лагранжа, метод Ньютона и имитацию отжига
Решаем задачи предсказания и поиска выигрышной стратегии с помощью производных и численных методов оптимизации
Закрепляем математические основы градиентного спуска и имитации отжига

Часть 3

Основы теории вероятности и статистики
Изучаем общие понятия описательной и математической статистики
Осваиваем комбинаторику
Разбираемся в теореме Байеса
Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теорвера
Закрепляем математические основы классификации и метода марковских цепей

Часть 4

Временные ряды и прочие методы машинного обучения

Знакомимся с анализом временных рядов
Прогнозируем бюджет с помощью временных рядов
Закрепляем математические основы основных моделей машинного обучения

Код:

https://skillfactory.ru/math-stat-for-ds/