Распродажа!

Математика для Data Science. Продвинутый – видеокурс

590 грн

 Вы экономите: 900 грн (60%)
 Поторопитесь! Заканчивается через

Каждый модуль профессионального курса сбалансирован математической теорией и практическими примерами, которые взяты из реальных кейсов. Вы будете решать задачу регрессии, проводить АБ-тестирование, работать над рекомендательной системой, использовать метод опорных векторов.

Безопасные платежи

Защита персональных данных

100% уникальные материалы

Гарантия лучшей цены

Вместе дешевле на 20% (количество курсов меняется галочками)

Математика для Data Science. Продвинутый - видеокурс + Математика для Data Science. Базовый - видеокурс + Курс Data Scientist + Курс Аналитик данных
Цена за все курсы: 1,808 грн

Видеозаписи лекций без обратной связи и участия преподавателя. Вы получите доступ к материалам сразу после оплаты.

Что даст Вам этот курс

Обычно математику в вузах преподают в отрыве от реальных задач, где она в дальнейшем будет применяться. Мы пошли по другому пути. Каждый модуль профессионального курса сбалансирован математической теорией и практическими примерами, которые взяты из реальных кейсов. Вы будете решать задачу регрессии, проводить АБ-тестирование, работать над рекомендательной системой, использовать метод опорных векторов.

Для кого этот курс?

Для поступления нужно быть знакомым с основами математического анализа, линейной алгебры и теории вероятности. Курс подойдет всем, кто хочет развиваться в сфере Data Science. Он поможет вам освоить весь необходимый математический аппарат для решения задач на позиции Middle/Senior Data Scientist.

Зачем учить математику?

Профессия Data Scientist становится одной из самых перспективных и востребованных в IT. Средняя зарплата специалистов Data Science в России вдвое выше, чем у специалистов других IT-направлений — 190 тыс. руб. Основная сложность профессии — высокие требования к знаниям высшей математики. Уверенное владение математическим аппаратом позволяет повысить уровень компетенций и вырасти в профессиональном плане.

Длительность курса: 132 академических часа

1 Линейная алгебра

Введение. Математика в DataScience.

Понимание, что быть успешным Datascientist без знания математики, а главное без ее понимания, невозможно.

Введение 2. Основные термины и определения математического анализа, линейной алгебры и теории вероятностей

— Базовые термины матанализа (предел, непрерывность функции, дифференциал)
— Базовые термины линейной алгебры (вектор, матрица, ее виды, ранг, определитель)
— Базовые термины теории вероятности (определение вероятности, мат.ожидание, дисперсия)
— Установка Python, предоставление рекомендаций по интерпретатору
— Вычисление базовых задач на Python с помощью стандартных пакетов

Введение 3. Теория Вероятностей

Базовые термины теории вероятности (определение вероятности, мат.ожидание, дисперсия)

Матрицы. Основные понятия и операции

Ключевые определения, операция над матрицами, определитель, обратная матрица, вычисления собственных значений и собственных векторов, квадратичные формы .

Матричные разложения

— Разложение SVD и ALS
— Неотрицательные разложения
— Заполнения пропусков в матрицах

Матричные производные

— Матричные производные
— Дифференциальные уравнения в матрицах

Применение линейной алгебры в Data Science.

Классификация данных с SVM и Logistic Regression

Применение линейной алгебры в Machine Learning.

Обработка изображений и линейная алгебра

Математический анализ

Теория множеств

— Вероятностные пространства. Дискретное пространство элементарных исходов

— Вероятность на числовой прямой и плоскости. Правило сложения и умножения

Метрические пространства

— Понятие метрического пространства.
— Определение нормированного пространства, понятие нормы, отличие от метрики, примеры нормированных пространств.
— Норма в оптимизации

Теория пределов

— Определение Коши.
— Определение Пиано.
— Вычисление пределов функций.
— Асимптотические функции.
— Эквивалентные функции.
— Оценка сложности функции

Дифференцирование

— Дифференцируемость функции в точке. Частные производные и дифференциалы высших порядков
— Градиент. Матрица Гессе

Оптимизация

— Экстремумы функций многих переменных
— Определения точек локального и глобального минимума. Необходимое и достаточное условие экстремума для выпуклых функций.
— Понятие стационарных точек и отличие в их определении от точек экстремума

Метод наименьших квадратов разобрать метод наименьших квадратов.

Метод максимального правдоподобия. Обсудить и понять ММП

Интегрирование

— Неопределенный интеграл.
— Определенный интеграл
— Приложения определенного интеграла и приближенные методы его вычисления.
— Несобственные интегралы. Двойные интегралы. Приближенные методы интегрирования

Применение Мат.анализа в ML

— Линейная регрессия
— Логистическая регрессия

Теория вероятностей

Комбинаторика и Основы теории вероятностей

— Принцип Дирихле. Перестановки. Размещения. Сочетания.
— Опыт и его исходы. Пространство элементарных событий. Вероятность события.
— Независимость событий. Условная вероятность.
— Формулы сложения и умножения.
— Формулы полной вероятности и Байеса

Случайные величины

— Случайная величина
— Дискретные и непрерывные случайные величины
— Закон распределения случайной величины и способы его описания

Дискретные и непрерывные распределения

— Функция распределения и её свойства
— Распределение Бернулли
— Биномиальное распределение
— Моделирование на Python дискретное распределение (для задачи МонтеКарло)

Непрерывные случайные величины

— Основные законы распределения и их физический смысл: биномиальное, пуассоновское, экспоненциальное, равномерное, гауссовское
— Компьютерное моделирование различных распределений

Теоремы — Случайные последовательности и сходимость

— Теорема Пуассона для схемы Бернулли
— Закон больших чисел (Чебышева, Бернулли, Хинчина)
— ЦПТ Локальная, ЦПТ Линдеберга, ЦПТ Ляпунова
— Точечные оценки и их свойства

Точечное и интервальное оценивание

— Асимптотическая нормальность оценок
— Доверительные интервалы. Принцип построения доверительных интервалов

Проверка гипотез

— Проверка статистических гипотез. Формулировка гипотез.
— Проверка гипотезы о законе распределения выборки. Критерий согласия Пирсона.
— Проверка гипотезы о независимости двух номинальных признаков. Критерий хи-квадрат

Проверка гипотез. Часть 2

— Ошибки I и II рода, уровень значимости.
— Статистический критерий. Построение доверительной и критической областей. P-value
— Проверка гипотезы о вероятности успеха в схеме Бернулли. Биномиальный критерий

Виды зависимостей

— Виды зависимостей случайных величин: функциональная, причинно-следственная, статистическая, корреляционная. Различия и связь между ними.
— Условные распределения

Регресии — Линейные, многомерные, логистические регрессии

— МНК, ММП, ММ

Метод главных компонент

— Определение главных компонент, их вычисление
— Понижение размерности и отбор признаков
— Применение в задачах регрессионного анализа

Моделирование случайных величин

— Random Walks, практические методы
— Вероятностный классификатор: Logistic
— Regression, Random Forest, Gradient Boosting
— Вероятностные Нейронные Сети

Моделирование случайных величин.Часть 2

— Random Walks, практические методы
— Вероятностный классификатор: Logistic
— Regression, Random Forest, Gradient Boosting
— Вероятностные Нейронные Сети

Нужна ли регистрация?

Нет, регистрация не обязательна. Просто заполните все поля при оформлении заказа и ваш аккаунт создастся автоматически. Данные которые вы ввели на странице оплаты (почта, пароль), потом можно использовать для входа на сайт.

Как оплатить выбранный курс?

Наш сайт принимает оплату с помощью платежной системы Way For Pay. Все операции на нашем сайте безопасны и проходят с использованием шифрованного SSL соединения. Мы не собираем и не храним ваши платежные данные. Платежная система полностью гарантирует безопасность платежей.

На данный момент доступны следующие способы оплаты:

  • Банковская карта (любая)
  • Приват24
  • Терминалы Приватбанка (наличные)
  • G pay
  • Apple pay
  • Visa checkout
  • Masterpass
  • Мгновенная рассрочка для владельцев карт ПриватБанка
  • Рассрочка для владельцев карт Monobank

 

1. На странице курса нажмите “Купить”
2. Затем в открывшейся вкладке нажмите “Оформление заказа”
3. На странице оформления заполните все поля и нажмите “Купить”
4. Автоматически откроется страница платежной системы.
5. Выберите способ оплаты.
6. Введите данные и следуйте инструкциям платежной системы.
7. После успешной оплаты вы будете автоматически направлены на страницу, где сможете получить доступ к курсу. Так же вам будет выслано письмо с ссылкой на курс.

Если ни один из перечисленных способов оплаты вам не подходит, напишите нам: info@siluette.com.ua или воспользуйтесь чатом в правом нижнем углу страницы нашего сайта. Мы обязательно поможем.

Как получить оплаченные материалы?

Для того, чтобы получить материалы – просто заполните все поля при оформлении заказа (включая поле – Создать пароль учетной записи).

После оплаты — система автоматически направит вас в личный кабинет в раздел ①»Загрузки». Здесь  будет список ваших оплаченных материалов и ссылка на скачивание②.

Либо нажмите в правом верхнем углу сайта пункт Мой аккаунт, введите почту и пароль, который вы придумали, когда оформляли заказ. В разделе Загрузки есть ссылка на скачивание.

Сколько времени будут доступны материалы?

Ссылка на ваш курс будет доступна в течении 90 дней со дня оплаты. За это время вы должны скачать все материалы на свое устройство. После окончания этого срока ссылки могут стать неактивными. Это связано с нововведениями компаний, предоставляющих услуги облачного хранилища. Если вы не успели скачать купленные курсы, напишите нам на почту – info@siluette.com.ua

Отзывы

Отзывов пока нет.

Будьте первым, кто оставил отзыв на “Математика для Data Science. Продвинутый – видеокурс”

Ваш адрес email не будет опубликован.