Чтобы увидеть в больших объёмах данных закономерности, аналитик опирается на линейную алгебру, математический анализ и теорию вероятности. Если специалист не разбирается в этих направлениях — гипотезы и выводы будут неточными. Это как запустить ракету в космос, не зная траекторию полёта.
Мы создали вводный курс в математику, чтобы вы начали исследовать данные с важным бэкграундом для Data Science и выбирали алгоритмы, которые будут решать поставленную задачу.
Кому подойдёт курс
- Специалистам по Data Science. Начнёте глубже разбираться в алгоритмах машинного обучения. Поймёте, какие принципы лежат в основе разных алгоритмов, чтобы выбирать правильные инструменты.
- Аналитикам данных. Познакомитесь с основными математическими концепциями и заложите теоретический фундамент, чтобы лучше разбираться в статистике и правильно интерпретировать данные.
Программа курса
1. Линейная алгебра
Это базовый раздел математики. Он даёт понимание, как компьютер представляет данные и управляет ими.
- Лекция 1. Векторы.
- Лекция 2. Матрицы.
- Лекция 3. Продвинутая линейная алгебра.
2. Математический анализ
Узнаете, какая теория стоит за понятием «машинное обучение». Поймёте, с помощью каких алгоритмов математического анализа компьютер ищет параметры моделей.
- Лекция 4. Производная.
- Лекция 5. Производная функции нескольких аргументов.
- Лекция 6. Теория оптимизации.
3. Теория вероятности
Этот раздел математики поможет провести анализ гипотезы с помощью цифр и понять, какие выбрать шаги, чтобы решить задачу.
- Лекция 7. Дискретные случайные величины.
- Лекция 8. Непрерывные случайные величины.
- Лекция 9. Центральные предельные теоремы и закон больших чисел.
Результат обучения:
- Проверять векторы на линейную зависимость.
- Решать системы линейных уравнений в матричной форме.
- Вычислять собственные векторы и числа для матрицы.
- Производить матричные разложения.
- Вычислять производную функции нескольких аргументов.
- Использовать различные методы оптимизации для поиска локального минимума функции.
- Вычислять математическое ожидание и дисперсию дискретной случайной величины.
- Использовать формулу Байеса для вычисления апостериорной вероятности.
- Использовать закон больших чисел для оценки математического ожидания.
