Готовы обсудить все детали и ответить на вопросы
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Заказать звонок
Оставьте свой контактный телефон и мы перезвоним вам в течение дня.
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Онлайн-курc по математике для Data Science
Изучи математику — получи фундамент для построения успешной карьеры в Data Science. Этот курс — практическая база по математике для анализа данных и машинного обучения
Экспресс-курс «Математика
для Data Science»
{Сертификат об окончании курса}
{Практические задания }
{Живые вебинары}
{2 месяца}
{Старт 4 декабря}
28 200 ₽
4 700 ₽
{при рассрочке на 6 мес.}
руководитель Исследовательского направления SberAI и преподаватель курса
Мария Тихонова
Мария Тихонова – руководитель Исследовательского направления SberAI и преподаватель курса
Тебе точно подойдёт этот курс, если ты:
Когда нужно понять как устроены модели «под капотом», чтобы перейти машинное обучение.
Программист
{1}
Когда нужно быстро закрыть пробелы в теории, получить практический опыт и апгрейд портфолио.
Начинающий специалист в Data Science — аналитик данных, DS и ML инженер, студент ВУЗа
{2}
Когда нужны методы математики и статистики для анализа данных и построения моделей
Специалист смежных профессий — продуктовый/ маркетинговый аналитик, экономист и др.
{3}
Как проходит курс
2 месяца доступа ко всем материалам после обучения
Фидбек от менторов и общение в чате Telegram
Развлекательный квиз «Контрошка»
с розыгрышем подписки тг-премиум
с розыгрышем подписки тг-премиум
Живые вебинары с экспертами
3 больших практических задания и тесты для закрепления материала
Длительность: 2 месяца
Фидбек от менторов и общение в чате Telegram
Развлекательный квиз «Контрошка» с розыгрышем подписки тг-премиум
Живые вебинары с экспертами
2 месяца доступа ко всем материалам после обучения
3 больших практических задания и тесты для закрепления материала
Длительность: 2 месяца
Как проходят занятия
Что я буду уметь после курса?
{5}
Проверять статистические гипотезы, строить доверительные интервалы, применять t-тесты для анализа данных.
{4}
Работать с вероятностями, случайными величинами и распределениями, применять правила и вероятностные модели
{2}
Понимать и применять линейную регрессию и метод наименьших квадратов для анализа и прогнозирования данных
{3}
Использовать пределы, производные, градиенты и частные производные для поиска экстремумов и решения задач
{1}
Работать с векторами и матрицами, использовать матричные операции и разложения для решения практических задач
Для прохождения курса необходимо иметь
Знания школьной математики
Базовые знания языка программирования Python
За 10 занятий ты:
от решения задач регрессии методом МНК до построения рекомендательных систем с SVD.
Освоишь ключевые математические инструменты
градиентный спуск, вероятностные модели, матричные операции.
линейная алгебра, математический анализ, теория вероятностей, математическая статистика) через реальные практические примеры.
Научишься применять математику в Python:
{2}
{3}
{1}
Разберёшься, какая математика лежит в основе алгоритмов машинного обучения:
Программа курса
Теория:
- Разберём, что такое векторы и матрицы, их базовые свойства.
- Поймём, что такое определитель, ранг и обратимость
- Разберем правила умножения и транспонирования
- В NumPy создадим массивы
- Освоим различные операции над одномерными и двумерными массивами.
- Уверенно оперируете матрицами и векторами и понимаете, как эти знания применяются в ML.
- Реализовывать базовые матричные операции
- Находить обратные матрицы/ранги матриц
- Осуществлять линейные преобразования и решать СЛАУ.
Теория:
- Познакомимся с концепцией линейной зависимости
- Построим модель линейной регрессии, разберём метод наименьших квадратов для поиска весов
- Обсудим допущения и интерпретацию коэффициентов
- Реализуем МНК в NumPy и сравним со scikit-learn.
- Научимся базовой подготовке данных и валидации моделей.
- Умеете обучать, интерпретировать и оценивать линейную модель.
- Строить простые прогностические модели, оценивать их качество.
Теория:
- Познакомимся с собственными значениями/векторами и их смыслом.
- Изучим SVD: разложение, применение к снижению размерности и построению рекомендательных систем.
- Реализуем SVD в NumPy
- Снизим размерность данных
- Построим рекомендательную систему
- Понимаете, когда и как применять матричные разложения.
- Снижать размерность данных
- Фильтровать шум
- Реализовывать рекомендательные системы
Теория:
- Вспомним определения функции, области определения, множества значений.
- Научимся вычислять пределы и узнаем их основных свойства.
- Обсудим непрерывность и типы разрывов.
- Вычислим типовые пределы (алгебраические приёмы, эквивалентности)
- Изучим поведение функции около точки.
- Умеете находить пределы и распознавать непрерывность.
- Задачи на пределы и реализацию классификации разрывов.
Теория:
- Производная и критические точки, критерии минимума/максимума.
- Функции нескольких переменных, частные производные, градиент.
- Научимся искать экстремумы, вычислять производные для функций нескольких переменных.
- Понимаете, как устроены локальные экстремумы в одномерном и многомерном случае.
- Оптимизировать простые функции
Образовательно-развлекательная викторина по пройденному материалу, на которой можно будет проверить, насколько получилось освоить все изученные темы, пообщаться с другими слушателями, и просто отлично провести время!
Мы подберем задачи и вопросы на понимание математических концепций и умение быстро делать выводы по предложенным данным, а для победителей у нас приготовлены призы!
Мы подберем задачи и вопросы на понимание математических концепций и умение быстро делать выводы по предложенным данным, а для победителей у нас приготовлены призы!
Теория:
- Разберём идею градиентного спуска: поговорим про шаг, сходимость и критерии остановки.
- Освежим знания про интегралы и методы интегрирования.
- Реализуем градиентный спуск.
- Посчитаем простые интегралы.
- Умеете реализовывать простые оптимизационные алгоритмы и считать интегралы.
- Прикладные задачи оптимизации в ML и оценивать площади/средние величины по кривым.
Теория:
- Свяжем производную функции потерь и направление наискорейшего убывания
- Рассмотрим MSE и его градиент.
- С нуля построим линейную регрессию с помощью градиентного спуска.
- Получите рабочий пайплайн с чистым, воспроизводимым кодом.
- Обучать модели на своих данных, диагностировать и улучшать качество.
Теория:
- События, аксиомы вероятности, условная вероятность и формула полной вероятности.
- Формула Байеса и интуиция Наивного Байесовского Классификатора.
- Смоделируем вероятностные эксперименты, оценим частоты, реализуем наивный Байес (NumPy) и сравним с sklearn.
- Уверенно оперируете вероятностями и Байесовским выводом на простых задачах.
- Классификацию на NB, задачи на условные/полные вероятности.
Теория:
- Дискретные и непрерывные СВ,математическое ожидание, дисперсия, ковариация.
- Базовые распределения: Бернулли, Биномиальное, Пуассон; Равномерное, Нормальное, Экспоненциальное.
- Генерируем выборки в NumPy/SciPy, строим гистограммы/плотности, сравниваем теоретические и выборочные моменты.
- Понимаете выбор распределения под задачу и умеете оценивать его параметры.
- Моделирование, оценка рисков/вероятностей, расчёт ожиданий и вариативности на данных.
Теория:
- Нулевая/альтернативная гипотезы, ошибки I/II рода, p-value и доверительные интервалы.
- t-тесты для одной и двух выборок и их предпосылки.
- Считаем доверительные интервалы, проводим t-тесты, интерпретируем результат и силу эффекта
- Смотрим влияние размера выборки.
- Грамотно формулируете и проверяете гипотезы, делаете статистически корректные выводы.
- A/B-тесты, сравнение средних/пропорций и принятие решений на основе данных.
Преподаватели курса
Руководитель Исследовательского направления SberAI. Кандидат компьютерных наук. Специализируется на NLP, LLM и мультимодальных моделях GPT и GigaChat.
Мария Тихонова
Преподаватель НИУ ВШЭ. Автор научно-популярных статей о математике для блога МТС.
Может рассказать математику любой сложности на примерах про котиков.
Может рассказать математику любой сложности на примерах про котиков.
Диана Миронидис
Преподаватель и автор курсов для Центрального Университета (Т-Банк).
Имеет фундаментальное понимание математики — знает, почему и как работают алгоритмы ML.
Имеет фундаментальное понимание математики — знает, почему и как работают алгоритмы ML.
Ксения Кондаурова
Академический руководитель образовательных программ по аналитике и анализу данных, Wildberries&Russ.
Эксперт в дата-сайенс, ИИ и математических методах анализа данных.
Эксперт в дата-сайенс, ИИ и математических методах анализа данных.
Маргарита Бурова
Мария Тихонова
💪 Суперсила:
Занимается исследованиями в области NLP и больших языковых моделей (LLM) и мультимодальных моделей, таких как GPT и GigaChat.
На курсе:
Мария расскажет о применении математики в ML и о карьере в Data Science.
Занимается исследованиями в области NLP и больших языковых моделей (LLM) и мультимодальных моделей, таких как GPT и GigaChat.
На курсе:
Мария расскажет о применении математики в ML и о карьере в Data Science.
Достижения:
- Кандидат компьютерных наук
- Руководитель Исследовательского направления SberAI
- Доцент факультета компьютерных наук и преподаватель НИУ ВШЭ
- Спикер международных конференций по Data Science, таких знаковых, как ACL, EMNLP и ICLR
- Автор 20+ научных статей (590+ цитирований на Google Scholar, h-index 9, 20 публикаций в Scopus) и 4-х патентов
Образование: Факультет компьютерных наук, НИУ ВШЭ, механико-математический факультет МГУ им. М.В. Ломоносова
Диана Миронидис
💪 Суперсила:
Закончила мехмат и осталась человеком. Может рассказать математику любой сложности на примерах про котиков или про еду, и на любую тему имеет припасённые видосы
На курсе:
Диана погрузит в слушателей в мир математического анализа: пределы, производные, интегралы. С ней обсудим функции от одной и нескольких переменных, а также разберём, что такое градиентный спуск и зачем он нужен.
Закончила мехмат и осталась человеком. Может рассказать математику любой сложности на примерах про котиков или про еду, и на любую тему имеет припасённые видосы
На курсе:
Диана погрузит в слушателей в мир математического анализа: пределы, производные, интегралы. С ней обсудим функции от одной и нескольких переменных, а также разберём, что такое градиентный спуск и зачем он нужен.
Достижения:
- Преподаватель НИУ ВШЭ
- Автор научно-популярных статей о математике блога компании МТС
- Опыт преподавания более 15 лет
- Шарит за скутоид (статья на habr)
- Разложила теорему Борсука-Улама (статья на habr)
- Любит рвать эллипсы (статья на habr)
Образование: Механико-математический факультет МГУ им. М.В. Ломоносова
Ксения Кондаурова
💪 Суперсила:
Ксения имеет фундаментальное понимание математики — знает, почему и как работают алгоритмы ML, а не просто умеет их примерять. Любит разбираться в сути данных и моделей, а не останавливаться на уровне кода. Умеет систематизировать информацию, выстраивать логику и объяснять материал доступно.
На курсе:
Ксения расскажет, как линейная алгебра применяется для построения предсказательных моделей.
Ксения имеет фундаментальное понимание математики — знает, почему и как работают алгоритмы ML, а не просто умеет их примерять. Любит разбираться в сути данных и моделей, а не останавливаться на уровне кода. Умеет систематизировать информацию, выстраивать логику и объяснять материал доступно.
На курсе:
Ксения расскажет, как линейная алгебра применяется для построения предсказательных моделей.
Достижения:
- Преподаватель и автор курсов для Центрального Университета (Т-Банк)
- Спикер и методист для магистратуры Edutoria (Сбербанк)
- Докладчик конференции 7-th Petersburg Youth Conference in Probability and Mathematical Physics
- Лауреат форума «Ломоносов-2025» в номинации «Лучший доклад»
- Опыт преподавания - 5 лет
Образование: Механико-математический факультет МГУ им. М.В. Ломоносова
Маргарита Бурова
💪 Суперсила:
Маргарита — эксперт в дата-сайенс, ИИ и математических методах анализа данных, фанат развития ИТ-образования.
На курсе:
Маргарита отвечает за методическую организацию, фидбеки на домашние задания и проведет квиз с розыгрышем тг-премиум среди супер-студентов.
Маргарита — эксперт в дата-сайенс, ИИ и математических методах анализа данных, фанат развития ИТ-образования.
На курсе:
Маргарита отвечает за методическую организацию, фидбеки на домашние задания и проведет квиз с розыгрышем тг-премиум среди супер-студентов.
Достижения:
- Академический руководитель образовательных программ по аналитике и анализу данных, Wildberries&Russ
- Эксперт, старший преподаватель, академический руководитель программы профессиональной подготовки «Аналитик данных», ФКН НИУ ВШЭ
- Руководитель образовательной программы «Интеллектуальный анализ данных», Международный колледж IThub
- Приглашенный спикер МФТИ, Яндекс, Сбер
- Автор статей на Хабр
- Автор научных статей
Образование: магистр прикладной математики и информатики, факультет компьютерных наук НИУ ВШЭ
Что говорят наши студенты:
Укрепи математический фундамент оплати обучение до 31 октября получи курс «Базовая математика» в подарок
Укрепи математический фундамент – оплати обучение до 15 ноября получи курс «Базовая математика» в подарок
Стоимость
{бесплатно}
Получить консультацию
{при рассрочке на 6 мес.}
4 700 ₽
28 200 ₽
Готовы обсудить все детали и ответить на вопросы
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Выстави счёт и оплати как юридическое лицо
Нажимая "Отправить", вы соглашаетесь с политикой конфиденциальности персональных данных.
Компании, которые отправляют учиться своих сотрудников к нам
Вопросы – ответы
За 2 месяца вы получите необходимую базу для старта в DS без воды. На живых вебинарах вы примените математические концепции в реальных задачах анализа данных с практикой на Python. Актуальные знания: программа курса разработана в ноябре 2025
Как правило, занятия проходят по будням в 19:00, продолжительность одного занятия 90 минут
Нет, практика проходит на облачном сервисе Google Colab
Финальным проектом может быть решение задачи с фидбеком от экспертов курса, например:
- Обучение градиентного спуска для предсказания цен на квартиры
- Создание классификатора для разделения текстов по тематике или тональности
- Построение простейшей рекомендательной системы с использованием матричных разложений
- Обучение градиентного спуска для предсказания цен на квартиры
- Создание классификатора для разделения текстов по тематике или тональности
- Построение простейшей рекомендательной системы с использованием матричных разложений
Тебе придёт письмо с информацией о курсе и с материалами для подготовки на email.
Длительность курса 2 месяца + 2 месяца после окончания
Да, чтобы была возможность задавать вопросы по материалу — организован чат с регулярной менторской поддержкой.
5-6 часов в неделю, включая изучение материалов и решение задач.
Да.
Да, доступна рассрочка от Т-Банка на 3, 6 или 12 месяцев. Также можно оплатить курс частями через сервис «Долями».