Практику Практикум м Карта курса Карта курса Математика для анализа Веб-разработчик плюс данных 0 1 Вводный урок Связь математики и современных инструментов анализа данны Примеры задач с собеседований Линейная алгебра Вектор Математический анализ Норм Матриц Обратная матрица и определитель 4 Разные виды функци Производные и интеграл Функции нескольких переменных Продвинутая алгебра Линейная регресси Сингулярное разложение, PCA, визуализация данных высокой размерности и другие применения SVD Собеседование Теория вероятностей и статистика Симулятор математической секции собеседования Время прохождения: в среднем 1 час ⓿ Вводная часть Дискретные случайные величин Непрерывные случайные величин Статистическая оценка параметро Статистические эксперименты и проверка гипоте Методы статистической проверки гипотез 3 2 Узнаете, для понимания каких инструментов анализа данных и Data Science нужен каждый раздел математики. Пройдёте небольшую симуляцию собеседования на платформе. Темы — Связь математики и современных инструментов анализа данных — Примеры задач с собеседований 4 недели, в среднем 47 часов ➊ Линейная алгебра 1 неделя, Векторы в среднем 10 часов Научитесь использовать матрицы, векторы, нормы, определители. Сможете читать обозначения и оперировать формулами. Узнаете, почему косинусное расстояние используется для сравнения текстов. Разберётесь в особенностях применения линейной алгебры в анализе данных. — Операции над векторами — Векторное пространство — Линейная независимость — Базис 1 неделя, в среднем 12 часов ормы — Основы тригонометрии — Скалярное произведение векторов — Нормы вектора — Связь L2 нормы и скалярного произведения — Расстояния между векторами Н 1 неделя, в среднем 12 часов Матрицы — Арифметические операции над матрицами и их свойства — Умножение матрицы на вектор — Матричное перемножение 1 неделя, в среднем 13 часов Обратная матрица и определитель — Обратная матрица — Вырожденная матрица — Определитель, его применение и смысл — Упрощение матричных выражений 4 недели, в среднем 42 часа ➋ Математический анализ Освоите семейства и характеристики функций. Узнаете практическое значение производной и интеграла. Разберётесь в алгоритме градиентного спуска, который лежит в основе нейронных сетей и градиентного бустинга. 2 недели, в среднем 20 часов Функции — Определение функции и графика функции — Линейная функция — Полиномиальная функция — Описание данных с помощью функций — Показательная функция — Логарифм — Обратная функция — Модуль — Композиция функций 1 неделя, в среднем 12 часов Производные и интегралы — Предел — Производная — Правила нахождения производных — Экстремумы функции — Свойства функций: монотонность, выпуклость — Интеграл 1 неделя, в среднем 10 часов Функции нескольких переменных — Функция нескольких переменных — Визуализация функции двух переменных — Частная производная — Градиент функции — Экстремумы функции нескольких переменных — Градиентный спуск 2 .5 недели, в среднем 28 часов ➌ Приложения линейной алгебры в анализе данных Поймёте, как работают методы линейной регрессии и сингулярного разложения. Узнаете, как связаны собственные числа с матричными разложениями PCA и SVD, и научитесь их вычислять. Научитесь сокращать размерность больших данных и визуализировать их. Узнаете, как найти решение линейной регрессии с помощью градиентного спуска, и лучше поймёте, как обучается нейронная сеть. 1 неделя, в среднем 12 часов Линейная регрессия 1.5 недели, в среднем 16 часов Сингулярное разложение, PCA, визуализация данных большой размерности 6 недель, в среднем 72 часа ➍ Теория вероятностей и статистика — Определение модели линейной регрессии — Нахождение параметров линейной регрессии как решение СЛУ — Функция ошибки и её минимизация — Аналитическое решение для параметров регрессии — Коллинеарность в данных, регуляризация — Градиентный спуск для нахождения параметров линейной регрессии — Собственные значения и векторы матрицы — Геометрическое представление собственных векторов — Матрица ковариации — Сингулярные векторы, cингулярное разложение SVD — Применения сингулярного разложения, PCA Узнаете, как принимаются решения на основе статистических данных. Разберётесь в теореме Байеса и других формулах теории вероятностей. Узнаете, что такое A/B-тест, доверительный интервал и бутстрэп. 2 недели, в среднем 20 часов Дискретные случайные величины 1.5 недели, в среднем 15 часов Непрерывные случайные величины 1 неделя, в среднем 10 часов Статистическая оценка параметров — Исход, событие, вероятность — Дискретные случайные величины и их свойства — Дискретные распределения — Совместное распределение и ковариация — Условная вероятность, теорема Байеса — Сэмплирование, базовая визуализация данных — Основные описательные статистики — Непрерывные случайные величины — Нормальное распределение и ЦПТ — Совместное распределение, связь величин, корреляция — Условная вероятность и теорема Байеса для непрерывных величин — Гистограммы и описательные статистики для непрерывных величин — Вероятность и правдоподобие — Оценка параметров распределения — Метод максимального правдоподобия — Поиск параметров линейной регрессии с вероятностной точки зрения 1 неделя, в среднем 15 часов Статистические эксперименты и проверка гипотез 1 неделя, в среднем 12 часов Методы статистической проверки гипотез — Вероятностное принятие решений — Доверительные интервалы — A/B тестирование — Параметрические тесты — Размер выборки, его связь с ошибкой — Непараметрические тесты — Бутстрэп — Нелинейное преобразование данных — Множественная проверка гипотез Дополнительный модуль Симуляция математической секции собеседования Пройдёте симулятор математической секции собеседования на позицию аналитика или специалиста по Data Science в нашем тренажёре.
