[Яндекс.Практикум] Математика для анализа данных

[Яндекс.Практикум] Математика для анализа данных

200 ₽

Добавить в список желанийУдалить из списка желаний
Добавить в список желаний
Категория: Метка:

Описание

[Яндекс.Практикум] Математика для анализа данных

[Яндекс.Практикум] Математика для анализа данных

Уверенное знание математики помогает аналитикам и специалистам по Data Science проходить собеседования, справляться с нетривиальными задачами и расти профессионально.
Наиболее востребованы теория вероятностей и статистика, линейная алгебра и математический анализ. Освойте один или несколько из этих разделов математики на нашем курсе.

Для кого этот курс:
1. Для начинающих аналитиков данных и специалистов по Data Science
2. Для выпускников и студентов курсов, посвящённых анализу данных
3. Для тех, кто готовится к математическим секциям собеседований в IT-компании

Что вы получите в Практикуме:
1. Математика человеческим языком
Идём от простого к сложному. Подробно разбираем каждое понятие. Даём много примеров и иллюстраций.
2. Более 1000 практических задач
Объясняем, как абстрактные формулы связаны с анализом данных. Вы не просто читаете теорию, вы сразу закрепляете навык.
3. Навыки для работы и собеседований
Сверяем учебный план с аналитиками и специалистами по Data Science. Учим только тому, что пригодится в работе.

Содержание:

Модуль 1 – Теория вероятностей и статистика
Дискретный и непрерывный случай
Работа с несколькими непрерывными случайными величинами
Статистические тесты
Максимизация правдоподобия

Модуль 2 – Линейная алгебра
Векторы
Нормы
Матрицы и их трансформации
Обратная матрица и определитель

Модуль 3 – Математический анализ
Функции и их графики
Экспонента, логарифм, обратные функции, производные
Предел, геометрическая прогрессия и интеграл
Функция от нескольких переменных

Модуль 4 – Продвинутая линейная алгебра
Регрессия
Собственные числа
PCA, SVD

Содержание подробно:

Модуль 1 – Теория вероятностей и статистика
  1. Дискретный и непрерывный случай:
    • смотрим на дискретных и непрерывных случайных величинах, сравниваем:
      • вероятность, событие, вероятностное пространство,
      • свойства вероятности,
      • матожидание,
      • дисперсия,
      • медиана, мода,
    • зависимые и независимые события, теорема Байеса,
    • равномерное распределение,
    • распределение Пуассона,
    • экспоненциальное распределение,
    • что такое нормальное распределение и откуда оно взялось,
    • свойства нормального распределения,
    • ЦПТ — применяем нормальное распределение,
  2. Работа с несколькими непрерывными случайными величинами:
    • арифметические операции и дисперсия,
    • совместное распределение,
    • зависимые величины,
    • условная вероятность,
    • сэплирование,
    • гистограммы.
  3. Статистические тесты:
    • параметрические тесты,
    • доверительные интервалы,
    • логнормальное распределение, нелинейное преобразование данных,
    • непараметрические тесты,
    • АБ-тестирование,
    • множественная проверка гипотез, поправка Бонферони.
  4. Максимизация правдоподобия:
    • понятие функции правдоподобия,
    • интерпретация и применение в машинном обучении,
    • подбор параметров при максимизации функции правдоподобия.

Модуль 2 – Линейная алгебра

  1. Векторы:
    • векторы для описания объектов реального мира,
    • представление в геометрии в 2D, в 3D,
    • представление в Python,
    • операции над векторами,
    • линейная комбинация векторов,
    • линейная (не)зависимость:
      • определение,
      • геометрическая интерпретация,
      • алгоритмы проверки,
    • векторное пространство,
    • базис векторного пространства,
    • ортогональные векторы и базисы.
  2. Нормы:
    • скалярное произведение и его геометрический смысл,
    • скалярное произведение в Python,
    • что такое норма,
    • L1, L2 нормы и их геометрическая интерпретация,
    • связь L2 нормы и скалярного произведения,
    • как считать нормы в Python,
    • L1, L2 и косинусное расстояния между векторами,
    • свойства косинусного расстояния,
    • применения косинусного расстояния для сравнения текстов.
  3. Матрицы и их трансформации:
    • матрицы для описания объектов реального мира,
    • матрица в Python,
    • умножение матрицы на число,
    • сложение матриц,
    • умножение матрицы на вектор,
    • умножение матрицы и вектора как геометрическое преобразование вектора,
    • умножение матрицы как преобразование пространства, изменение размерности пространства при этом, например 2D и 3D,
    • умножение матрицы на матрицу и его геометрический смысл.
  4. Обратная матрица и определитель:
    • что такое обратная матрица,
    • геометрический смысл обратной матрицы,
    • как найти обратную матрицу в Python,
    • вырожденная матрица,
    • определитель,
    • транспонирование матрицы,
    • упрощение матричных выражений.

Модуль 3 – Математический анализ

  1. Функции и их графики:
    • функция и уравнение,
    • линейная и квадратичная функции,
    • монотонность,
    • кубическая, степенная функции,
    • отрицательная степень,
    • полиномы,
    • графики полиномов,
    • синус и косинус,
    • дробная степень,
  2. Экспонента, логарифм, обратные функции, производные:
    • показательная функция,
    • обратная функция,
    • логарифм,
    • производная как скорость,
    • анализ возрастания, убывания функции при помощи производной,
    • нахождение максимума и минимума функции аналитически,
    • производная произведения, частного и сложной функции,
  3. Предел, геометрическая прогрессия и интеграл:
    • предел, асимптоты,
    • производная как предел,
    • дифференцируемые, непрерывные функции,
    • разложение функции в ряд Тейлора (локальная аппроксимация функции при помощи полинома),
    • геометрическая прогрессия и знак суммирования,
    • интеграл.
  4. Функция от нескольких переменных:
    • определение,
    • график в 3D,
    • частная производная,
    • максимизация, минимизация функции,
    • градиент, принципы градиентного спуска.

Модуль 4 – Продвинутая линейная алгебра

  1. Регрессия:
    • постановка задачи,
    • явное решение с помощью обратной матрицы,
    • градиентный спуск.
  2. Собственные числа:
    • вычисление руками,
    • характеристический многочлен,
    • геометрический смысл,
  3. PCA, SVD
    • SVD — алгоритм сжатия матрицы, изображения,
    • компоненты PCA выделают главные отличия между объектами,
    • PCA геометрический смысл компонент,
    • PCA как инструмент визуализации.
Автор курса: Яндекс.Практикум

Сайт продажника: https://practicum.yandex.ru/math-for-da-ds/

Цена с продажника: 44000 руб.

У нас Вы можете приобрести всего за 200 руб.

Отзывы

Отзывов пока нет.

Будьте первым, кто оставил отзыв на «[Яндекс.Практикум] Математика для анализа данных»

Похожие товары

-