МАТЕМАТИКА ДЛЯ DATA SCIENCE |
От простейших понятий до продвинутых тем математического анализа
начало обучения
в любое время
в любое время
уровень сложности
для новичков
для новичков
БЕСПЛАТНЫЙ КУРС
Для доступа к курсу необходимо зарегистрироваться на нашей образовательной платформе. Если у вас уже есть учётная запись, можно использовать её.
Математика — ключ к пониманию сложных тем из машинного обучения и аналитики. Знать математику полезно для того, чтобы научиться мыслить абстрактно, читать современные статьи и знакомиться с новыми подходами обработки данных. А еще математическая интуиция и формальный язык выгодно отличают соискателей перед нанимающими лидами.
Часто специалисты боятся математики, предполагая, что крайняя возможность с ней разобраться осталась в университете. При этом им хочется развиваться в машинном обучении или аналитике, но непонятно, как восполнить недостающие пробелы.
Мы сделали этот курс для того, чтобы вы могли потренироваться и получить необходимую базу, если вам не хватает уверенности в своих математических силах. Надеемся, что наш курс поможет вам понять, что математикой может заниматься любой человек вне зависимости от своего предыдущего образования!
Часто специалисты боятся математики, предполагая, что крайняя возможность с ней разобраться осталась в университете. При этом им хочется развиваться в машинном обучении или аналитике, но непонятно, как восполнить недостающие пробелы.
Мы сделали этот курс для того, чтобы вы могли потренироваться и получить необходимую базу, если вам не хватает уверенности в своих математических силах. Надеемся, что наш курс поможет вам понять, что математикой может заниматься любой человек вне зависимости от своего предыдущего образования!
//
Head of Data Science Raiffeisen CIB, хедлайнер курса
НЕРСЕС БАГИЯН
//
// Цель нашего курса — помочь опытным аналитикам расширить свои компетенции и задать правильное направление для дальнейшего развития в профессии. Полученный практический опыт позволит углубить знания в области продуктовой аналитики и научиться подбирать правильные инструменты для решения задач в самых неопределённых условиях и незнакомых отраслях. //
КОМУ ПОДОЙДЁТ ЭТОТ КУРС:
Хотите лучше понимать внутренние процессы при работе с данными и быть более уверенными в решении сложных задач
3
Хотите систематизировать и углубить свои знания и освежить в памяти университетский курс
4
Стремитесь повысить свой профессиональный уровень и приобрести конкурентное преимущество на рынке труда
5
Интересуетесь работой в Data Science и хотите начать с фундаментальных знаний математики, которые лежат в основе алгоритмов МО и аналитики
1
Проходите математику в университете и хотите подготовиться к реальной работе в бизнесе или в науке
2
Чему вы научитесь [?]
Разбираться в базовых разделах математического анализа и линейной алгебры
Оперировать математическими нотациями и формулами
Решать простые задачи из высшей математики
Мы есть в соцсетях!
Общение в сообществе профессионалов, поддержка и актуальные новости школы — подпишитесь на нас, чтобы ничего не упустить.
> 25 тыс.
В Telegram канале
участников
> 14 тыс.
В Telegram чате
участников
ПРОГРАММА КУРСА ://
УРОКИ:
1. Элементарные функции и основные определения
2. Простейшие пределы и некоторые связанные приемы
3. Непрерывность и дифференцируемость
4. Оптимизация функций одной переменной
1. Элементарные функции и основные определения
2. Простейшие пределы и некоторые связанные приемы
3. Непрерывность и дифференцируемость
4. Оптимизация функций одной переменной
УРОКИ:
1. Введение в линейную алгебру. Матрицы, векторы и системы линейных уравнений.
2. Матрицы и векторы в пространстве. Линейная зависимость и линейная оболочка.
3. Симметричные и диагональные матрицы. Нормы векторов и матриц.
4. Спектральное и сингулярное разложение матриц. Квадратичные формы и критерий Сильвестра
1. Введение в линейную алгебру. Матрицы, векторы и системы линейных уравнений.
2. Матрицы и векторы в пространстве. Линейная зависимость и линейная оболочка.
3. Симметричные и диагональные матрицы. Нормы векторов и матриц.
4. Спектральное и сингулярное разложение матриц. Квадратичные формы и критерий Сильвестра
УРОКИ:
1. Функции нескольких переменных
2. Вектор-градиент, матрица Гессе
3. Оптимизация функции нескольких переменных
4. Условная оптимизация, часть 1
5. Условная оптимизация, часть 2
6. Ряд Тейлора и Маклорена
1. Функции нескольких переменных
2. Вектор-градиент, матрица Гессе
3. Оптимизация функции нескольких переменных
4. Условная оптимизация, часть 1
5. Условная оптимизация, часть 2
6. Ряд Тейлора и Маклорена
УРОКИ:
1. Элементарные функции и основные определения
2. Простейшие пределы и некоторые связанные приемы
3. Непрерывность и дифференцируемость
4. Оптимизация функций одной переменной
1. Элементарные функции и основные определения
2. Простейшие пределы и некоторые связанные приемы
3. Непрерывность и дифференцируемость
4. Оптимизация функций одной переменной
УРОКИ:
1. Введение в линейную алгебру. Матрицы, векторы и системы линейных уравнений.
2. Матрицы и векторы в пространстве. Линейная зависимость и линейная оболочка.
3. Симметричные и диагональные матрицы. Нормы векторов и матриц.
4. Спектральное и сингулярное разложение матриц. Квадратичные формы и критерий Сильвестра
1. Введение в линейную алгебру. Матрицы, векторы и системы линейных уравнений.
2. Матрицы и векторы в пространстве. Линейная зависимость и линейная оболочка.
3. Симметричные и диагональные матрицы. Нормы векторов и матриц.
4. Спектральное и сингулярное разложение матриц. Квадратичные формы и критерий Сильвестра
УРОКИ:
1. Функции нескольких переменных
2. Вектор-градиент, матрица Гессе
3. Оптимизация функции нескольких переменных
4. Условная оптимизация, часть 1
5. Условная оптимизация, часть 2
6. Ряд Тейлора и Маклорена
1. Функции нескольких переменных
2. Вектор-градиент, матрица Гессе
3. Оптимизация функции нескольких переменных
4. Условная оптимизация, часть 1
5. Условная оптимизация, часть 2
6. Ряд Тейлора и Маклорена
НАЧНИТЕ УЧИТЬСЯ СЕЙЧАС АБСОЛЮТНО БЕСПЛАТНО
Получите доступ к удобной образовательной платформе с реальной инфраструктурой и рабочими инструментами.
Для доступа к курсу необходимо зарегистрироваться на нашей образовательной платформе. Если у вас уже есть учётная запись, можно использовать её.
Что ещё изучать,
чтобы стать профессионалом в Data Science? Вам подойдут другие наши программы:
Подойдет всем, кто хочет освоить машинное обучение с нуля и поменять карьерный трек
Подойдет тем, кто владеет базой в анализе данных и хочет получить прикладной опыт в аналитике, ML или AI
Для тех, кто хочет получить все hard skills аналитика данных и закрепить их на практике
Для тех, кто хочет получить опыт практической работы над реальными бизнес-задачами
Подойдет тем, кто хочет освоить процесс A/B-тестирования от А до Я
ЗАДАТЬ ВОПРОС
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
НЕРСЕС БАГИЯН
Руководитель направления продвинутой аналитики в Raiffeisen CIB. Преподаватель машинного обучения на Факультете компьютерных наук Высшей школы экономики (ФКН НИУ ВШЭ). Выпускник школы анализа данных от Яндекса.
Ранее прошёл путь от стажера до старшего аналитика в Яндекс. Маркете за 2 года
Ранее прошёл путь от стажера до старшего аналитика в Яндекс. Маркете за 2 года
АЛЕКСЕЙ БИРШЕРТ
Занимается построением моделей динамического ценообразования в корпоративно-инвестиционном подразделении Райффайзенбанка.
Ранее работал в научной лаборатории при ФКН НИУ ВШЭ. Как научный сотрудник занимался исследованиями на тему анализа естественного языка и мультиязычных языковых моделей.
Модуль:
Ранее работал в научной лаборатории при ФКН НИУ ВШЭ. Как научный сотрудник занимался исследованиями на тему анализа естественного языка и мультиязычных языковых моделей.
Модуль:
ЭМИЛЬ КАЮМОВ
Отвечает за рекомендации и прогнозы для задач эффективности Яндекс.Еды. Ранее запускал рекомендации и прогнозы времени доставки в Яндекс. Лавке, занимался задачами продукта Яндекс.Такси.
Преподавал машинное обучение в ВШЭ и организовывал тренировки по машинному обучению.
Преподавал машинное обучение в ВШЭ и организовывал тренировки по машинному обучению.
Модуль:
Авторы курса >
НЕРСЕС БАГИЯН
Head of DS в Raiffeisen CIB
Читать подробнее →
Работа с командой DWH и обработка больших данных
Модуль:
НЕРСЕС БАГИЯН
Head of DS в Raiffeisen CIB
АЛЕКСЕЙ КОЖАРИН
Backend-разработчик в Яндекс. Диск
Никита Табакаев
Аналитик в Raiffeisen CIB
Алексей Биршерт
Аналитик в Raiffeisen CIB
ЭМИЛЬ КАЮМОВ
Head of ML Яндекс Еда
Machine learning engineer
FAQ
Мы делали курс так, чтобы курс могли пройти даже те студенты, которые помнят только школьный уровень математики.
Для курса вам понадобится только ручка и бумага или любой удобный инструмент, чтобы считать или фиксировать заметки. Ничего дополнительно устанавливать на свой компьютер не нужно.
Все зависит от вас! Лекции длятся от 20 до 40 минут.
В наших платных курсах для начинающих — «Start ML» и «Аналитик данных» — есть соответствующие блоки. Курс по математике нужен в том числе для того, чтобы обучаться на наших платных программах было проще, поэтому мы не дублировали информацию из них.
Также вы можете прокачаться в статистике на бесплатном курсе на Stepic от Анатолия Карпова.
Также вы можете прокачаться в статистике на бесплатном курсе на Stepic от Анатолия Карпова.
Преподаватели курса работают в топовых компаниях в роли ml-инженеров. А еще — у них есть опыт преподавания в крупных ВУЗах РФ — НИУ ВШЭ и МФТИ.
Во время обучения вполне нормально «застрять» на каком-то задании. На этот случай у нас есть коммьюнити студентов курса в discord, с помощью которого вы сможете разобраться со сложной задачкой.
Да, мы вы сможете зафиксировать свой прогресс в любой момент прохождения курса.
Мы делали курс так, чтобы курс могли пройти даже те студенты, которые помнят только школьный уровень математики.
Для курса вам понадобится только ручка и бумага или любой удобный инструмент, чтобы считать или фиксировать заметки. Ничего дополнительно устанавливать на свой компьютер не нужно.
Все зависит от вас! Лекции длятся от 20 до 40 минут.
В наших платных курсах для начинающих — «Start ML» и «Аналитик данных» — есть соответствующие блоки. Курс по математике нужен в том числе для того, чтобы обучаться на наших платных программах было проще, поэтому мы не дублировали информацию из них.
Также вы можете прокачаться в статистике на бесплатном курсе на Stepic от Анатолия Карпова.
Также вы можете прокачаться в статистике на бесплатном курсе на Stepic от Анатолия Карпова.
Преподаватели курса работают в топовых компаниях в роли ml-инженеров. А еще — у них есть опыт преподавания в крупных ВУЗах РФ — НИУ ВШЭ и МФТИ.
Во время обучения вполне нормально «застрять» на каком-то задании. На этот случай у нас есть коммьюнити студентов курса в discord, с помощью которого вы сможете разобраться со сложной задачкой.
Да, мы выдаём именной сертификат с подписями преподавателей курса. В нем будет отражен ваш прогресс.