Складчина: Математика для Data Science [SkillFactory] [Аяна Шелике] Изучите необходимую базу по математике и статистике для освоения машинного обучения и анализа данных. Для успешного прохождения курса потребуется умение работать в Python. 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! 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 трудностями один на один Вы научитесь: Программировать на Python и использовать этот язык для анализа и обработки данных Получать данные из разных источников: базы данных, файлы, интернет Работать с моделями и алгоритмами машинного обучения и решать на их основе практические задачи Уже к середине курса вы сможете Разработать модель предсказания кредитного рейтинга Создать систему рекомендаций подходящих товаров при покупке Построить модель для увеличения продаж в розничном бизнесе Получите навыки уровня middle в Data Science 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 Стоимость: 21890 руб. Скрытая ссылка
Похожие складчины Открыто - Математика для Data Science. 1 часть. Математический анализ и линейная алгебра [Специалист] Доступно - Базовая математика для Data Science [2021] [proglib] [Вениамин Жиленко, Никита Ларионов] Открыто - Математика в Data Science. Часть 1. [МГУ] [proglib] Открыто - Математика и статистика для Data Science [2021] [robot dreams] [Сергей Бобровский] Открыто - Математика и статистика для Data Science [2021] [devrepublik]
Идея вообще хорошая, но программа какая-то странная. Нет пункта "Марковские процессы", но есть "Закрепляем математические основы классификации и метода марковских цепей ". Вообще я хочу посоветовать по теории вероятности курс Райгородского (на курсере есть в свободном доступе). Это лучшее введение в ТеорВер, которое я видел в своей жизни, и наверное, один из лучших преподавателей, у которых приходилось учиться. Ради спортивного интереса я в деле))