Математика для Data Science от Skillfactory

От: Skillfactory
5/5
1 отзыва

Курс "Математика для Data Science" позволяет овладеть необходимой базой по математике и статистике, которая необходима для освоения машинного обучения. Продолжительность обучения – 56 дней. Предназначен для начинающих специалистов Data Science, желающих повысить профессиональный уровень до Senior. Программа состоит из 4 частей. Они посвящены изучению линейной алгебры, основ матанализа, теории вероятности и статистики, временных рядов и прочих математических методов, а также их применению в Data Science. Выпускник научится работать с Python и NumPy. Выдаётся диплом об окончании курса.

Сводка

Цена
от 29 833₽ 17 900₽
Рассрочка
от 200₽
Статус
Идет набор
Длительность
60 дней
Язык
ru

Описание курса

Владеть математическими основами классических моделей машинного обучения

- Понимать законы математики и статистики
- Определять линейную зависимость с помощью матриц
- Решать задачи с векторами и матрицами на кейсе агентства недвижимости, с системами линейных уравнений и образами вектора, задачи оптимизации различными методами и на определение корреляции
- Прогнозировать бюджет организации с помощью временных рядов

О школе

Skillfactory
Отзывы 0
Информация
Компания основана в 2016 году. Официальный сайт https://skillfactory.ru. Мы собрали и проверили более 115 отзывов об онлайн курсах Skillfactory.

Программа курса

Часть 1
Линейная алгебра
Изучаем вектора и виды матриц
Учимся проводить операции над матрицами
Определяем линейную зависимость с помощью матриц
Изучаем обратные, вырожденные и невырожденные матрицы
Изучаем системы линейных уравнений, собственные и комплексные числа
Осваиваем матричное и сингулярное разложение
Решаем задачи линейной зависимости с помощью матриц
Оптимизируем с помощью метода главных компонент
Закрепляем математические основы линейной регрессии
Часть 2
Основы матанализа
Изучаем функции одной и многих переменных и производные
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
Изучаем основные типы распределений и корреляции
Разбираемся в теореме Байеса
Изучаем наивный байесовский классификатор
Решаем задачи комбинаторики, валидности и прогнозирования методами статистики и теорвера
Закрепляем математические основы классификации и логистической регрессии
Часть 4
Временные ряды и прочие математические методы
Знакомимся с анализом временных рядов
Осваиваем более сложные типы регрессий
Прогнозируем бюджет с помощью временных рядов
Закрепляем математические основы классических моделей машинного обучения
Инструменты
Python
NumPy

Отзывы

Рейтинг 5
1 отзывов
2 года назад
Очень благодарен за курс и поддержку на всем его протяжении. С головой окунулся в ранее чуждый для меня мир математики, на практике столкнулся со всеми страшными вещами которых раньше чурался и смог если и не полностью победить страх перед мат. формулами, то хотя бы спокойно и вдумчиво копать вглубь и не бояться ошибаться. Вынес практические методы для анализа данных, в которых буду тренироваться еще по всей видимости долгие годы. Вообще курс изобилует материалом. Концептуально понял процентов 80-90 курса, практически осознал как применять процентов 20-30 курса. Если честно у меня до сих пор взорван мозг от объема информации, но потихоньку все устаканивается. Спасибо преподавателям, что отвечали на все мои вопросы и старались по максимуму адаптировать материал для моего уровня. Считаю оправданной каждую потраченную копейку. Планирую и в дальнейшем проходить курсы на данной платформе после того как перепройду еще несколько раз самостоятельно данный материал, практически внедрю его и на основе нового взгляда пересмотрю свое понимание машинного обучения и работу с данными.
Отзыв взят с сайта mooc.ru