Алексей Никитин Кандидат физико-математических наук, доцент факультета ВМК МГУ.
Ведет лекции по математическому анализу ВМК МГУ и ФКН ВШЭ. Преподавательский стаж – более 12 лет. Вел совместные исследования с учеными института IIASA, Лаксенбург, Австрия. Автор популярной страницы ВКонтакте «Ёжик в матане».
Леонид Крицков Кандидат физико-математических наук, доцент факультета ВМК МГУ.
Автор задачника «Алгебра и аналитическая геометрия: теоремы и задачи», используемого на факультете ВМК МГУ. Свыше 25 лет преподает линейную алгебру и математический анализ. Является автором более 80 научных публикаций.
Татьяна Захарова Кандидат физико-математических наук, доцент факультета ВМК МГУ.
Преподает теорию вероятностей и математическую статистику более 28 лет. Является автором более 70 научных публикаций, в том числе связанных с обработкой больших объемов данных.
Артур Сапрыкин Ex-Data Scientist ПАО «Мегафон»
Среди разработанных решений были собственные морфологический, синтаксический и семантический анализаторы. Работал с крупными проектами по обработке естественного языка и анализом аудио.
Кому точно будет полезен курс?
Специалистам в Data Science
Математика помогает анализировать и обрабатывать данные, создавать статистические модели и разрабатывать алгоритмы машинного обучения для извлечения данных из большого объема информации.
Аналитикам
Использовать математические методы и статистику для анализа данных, проверки гипотез, прогнозирования и принятия бизнес-решений. Помогает извлекать практическую информацию из данных и делать обоснованные выводы.
Разработчикам
Математика помогает писать более эффективный код, прогнозировать заранее эффективность еще не написанных алгоритмов. Решать сложные задачи по оптимизации, и создавать программное обеспечение.
Как курс может помочь вам
1
Заложите математический фундамент
Научитесь структурно работать с большим объемом данных, решать сложные задачи и усилите свои компетенции
2
Подготовитесь к ШАД
Сможете успешно сдать вступительные экзамены в Школу анализа данных Яндекса
3
Освоите математические основы Machine Learning
Узнаете роль чисел, формул и функций в разработке алгоритмов машинного обучения
Программа занятий
Программа занятий
Вспомните базу. Научитесь брать производные, считать интегралы, исследовать функции. Познакомитесь с последовательностями и прогрессиями. Узнаете, что такое неравенства. Основные темы:
Начала теории множеств.
Геометрическая прогрессия. Векторы.
Теория вероятностей. Рациональные уравнения.
Алгебраические уравнения.
Иррациональные уравнения. Графический способ решения систем.
Неравенства.
Функции, график и свойства.
Графики функций и их преобразования.
Производная, исследование функций.
Исследование функций. Интеграл.
Изучите пределы, дифференцируемость и ряды. Научитесь считать разные интегралы. Важные темы:
Числовые последовательности.
Предел числовой функции.
Непрерывность числовой функции.
Дифференцируемость числовой функции.
Основные теоремы дифференциального исчисления.
Другие вопросы дифференциального исчисления.
Функции многих переменных.
Дифференцируемость функций многих переменных.
Интеграл Римана.
Вопросы интегрального исчисления.
Ряды.
Теория меры и интеграла Лебега.
Научитесь работать с матрицами, узнаете что такое СЛАУ и как их решать. Направления:
Матрицы и операции над ними.
Определитель матрицы. Разложения определителя.
Обратная матрица, ее явный вид.
Матричные перемножения.
Однородные и неоднородные системы линейных уравнений – геометрический подход.
Линейная зависимость в векторном пространстве.
Комплексные числа.
Линейные отображения (операторы).
Собственные значения и собственные векторы линейных отображений.
Евклидовы пространства.
Отображения в евклидовых пространствах.
Билинейные формы
Узнаете основные правила комбинаторики и научитесь с ними работать. Основные понятия:
Правила комбинаторики.
Множества.
Сочетания.
Изучите дискретную теорию вероятностей, статистические методы, случайные величины и события, матожидание, дисперсию и корреляцию. Разберетесь в законах распределения. Сформулируете гипотезы для A/B-тестирования.Темы:
Случайные события.
Случайные величины.
Совместное распределение, условное распределение.
Математическое ожидание, дисперсия, корреляция.
Основные законы распределения.
Моделирование случайных величин.
Точечные оценки и их свойства.
Интервальные оценки.
Проверка гипотез.
Проверка гипотез при A/B тестировании.
Исследование зависимостей.
Регрессии.
Узнаете, как пройденное применяется в работе аналитика данных. Дополнительные темы:
Word2vec.
Градиентный спуск.
Backpropagation.
Случайный лес.
Классификация наблюдений: логистическая и пробит регрессии.
«Высшая математика для Data Science», тариф VIP, Proglib.Academy
Без процентов и переплат. Мы все взяли на себя! Первый платеж только через месяц
Отзывы
Александр Oстапенко
Senior-разработчик C++
Курс «Математика для Data Science» хорошо структурирован и обладает большой глубиной (имеются доказательства и обоснования всех необходимых ключевых понятий и теорем). В то же время курс четко сфокусирован на направлении Data Science и не перегружает излишними темами. Есть большое количество задач разного уровня с разбором основных методов и паттернов решения. Преподаватели стараются давать материал в понятной и доступной форме, даже наиболее сложные темы. В целом, курс отличный. На мой взгляд подойдёт прежде всего тем, кто хочет перейти в Data Science не просто с набором отдельных методов и алгоритмов для решения определенных задач, а с основательным математическим фундаментом и пониманием того, как это всё на самом деле работает внутри.
Софья
Data Analyst, middle, 2 года опыта работы. Студент курса «Математика для Data Science»
Курсом довольна на 80%. Понравилось учиться в формате видео-лекций, для меня это самый простой вариант восприятия. Но усваивается материал по разному, в зависимости от того, насколько заряжает энергией преподаватель. Некоторые лекции показались довольно скучными. Преподаватель отвечал оперативно, были интересные домашние задания, но иногда было сложно, так как на лекции разбирали мало примеров решения задачек.
Еще хотело бы лекции покороче, тяжело выделить 2−3 часа, чтобы все за раз посмотреть. Не хватило реального общения: вебинаров, встреч и живых обсуждений.
Андрей Д.
Надо отметить, что курс "Математика для Data Science" - это тщательно продуманная и хорошо структурированная учебная программа. Начинается все с нуля и затем покрывает все наиболее важные для специалиста data science темы. Лекции читают, действительно, лучшие специалисты в области математического анализа, линейной алгебры, теории вероятности. Предлагается решить множество разных задач, которые проверяются преподавателями. Есть также уроки, которые объясняют математику ключевых алгоритмов для data science.
Лично мне было легче пройти линейную алгебру и в ней я существенно продвинулся. Штудирую сейчас математический анализ. Хотя это не просто. Кстати, подачу материала по математическому анализу можно и нужно улучшить. Хотя тема достаточно абстрактная, поэтому это легче сказать, чем сделать. По теории вероятностей сложность материала нарастает от темы к теме и, в конце, понимаешь, что ты охватил достаточно много материала и надо все это еще раз повторить, чтобы это уложилось в голове.
Да, курс сложный, но именно так только и можно заложить математический фундамент для специалиста data science. Просто без этой основы, мы не чем не будем отличаться от всех других специалистов, которых все больше и больше на рынке, которые знают отдельные функции, применяют их в определенных типах задач, получают некий результат, но не понимают принцип их работы, а это значит, что если тип задач будет другой, то они ничего сделать не смогут.
Анонимно
Я давно читаю proglib и поэтому выбрала их курс. Базовый курс покрыл все проблемные места в школьной программе. Искренне рекомендую его всем, кто хоть немного сомневается в уровне своей «базы». Насыщенный и полезный курс.
Высшую математику я начала. Могу уже сейчас сказать, что многие непонятные моменты (пропущенные из-за короткости курсов на Stepik) прояснились.
Я брала курс преимущественно из-за обратной связи. В этом он полностью себя оправдал. Преподаватели, куратор, да и в целом обстановка на курсе крайне доброжелательная, ориентированная на понимание и помощь, очень теплая. Мне всегда (поздно вечером тоже) давали обратную связь по заданиям. Иногда я даже приятно удивлялась, с какой скоростью преподаватели отвечают на мои запросы :)))
Очень структурировано, подробно и понятно объясняются довольно сложные вещи. Заниматься по моим ощущениям надо много и часто. Но курс того стоит! Однозначно рекомендую, мне очень нравится.
Константин Петроченко
Студент курса «Математика для Data Science». Senior fullstack-разработчик.
Я бы посоветовал этот курс тем, кто уже работает в Data Science и кому не хватает знаний по высшей математике. Лекции понравились, конечно, какие-то преподаватели из МГУ рассказывают более интересно, какие-то менее интересно. Было много практических заданий, иногда даже слишком, не хватало сил все сделать.
Больше всего понравился последний блок с практическими задачами непосредственно из Data Science, я действительно даже не знал, как там применяется высшая математика, это было интересно. Также хорошо подтянул линейную алгебру, мат. и стат анализ.
Не хватает воркшопов вопрос-ответ и просто живого общения. Также, хотелось бы, чтобы преподаватели отвечали оперативнее на вопросы в чате.
Карина Тирская
Тимлид-преподаватель в Maximum Education, преподаватель по математике. Студент курса «Основы программирования на Python»
Я действительно рада, что прошла этот курс. В университете я боялась программирования. Этот курс помог мне преодолеть этот страх. У меня появилось общее представление о Python и я смогла подготовиться к экзаменам в универе. Особенно понравились лекции от Артура Сапрыкина, все было «разжевано» и понятно. Все задания были интересными, релевантными
Из минусов, второй преподаватель иногда объяснял материал слишком сложно для новичка. Иногда тяжело было найти нужный материал в видеолекциях, приходилось проматывать несколько видео.
Александр Oстапенко
Senior-разработчик C++
Курс «Математика для Data Science» хорошо структурирован и обладает большой глубиной (имеются доказательства и обоснования всех необходимых ключевых понятий и теорем). В то же время курс четко сфокусирован на направлении Data Science и не перегружает излишними темами. Есть большое количество задач разного уровня с разбором основных методов и паттернов решения. Преподаватели стараются давать материал в понятной и доступной форме, даже наиболее сложные темы. В целом, курс отличный. На мой взгляд подойдёт прежде всего тем, кто хочет перейти в Data Science не просто с набором отдельных методов и алгоритмов для решения определенных задач, а с основательным математическим фундаментом и пониманием того, как это всё на самом деле работает внутри.
Софья
Data Analyst, middle, 2 года опыта работы. Студент курса «Математика для Data Science»
Курсом довольна на 80%. Понравилось учиться в формате видео-лекций, для меня это самый простой вариант восприятия. Но усваивается материал по разному, в зависимости от того, насколько заряжает энергией преподаватель. Некоторые лекции показались довольно скучными. Преподаватель отвечал оперативно, были интересные домашние задания, но иногда было сложно, так как на лекции разбирали мало примеров решения задачек.
Еще хотело бы лекции покороче, тяжело выделить 2−3 часа, чтобы все за раз посмотреть. Не хватило реального общения: вебинаров, встреч и живых обсуждений.
Андрей Д.
Надо отметить, что курс "Математика для Data Science" - это тщательно продуманная и хорошо структурированная учебная программа. Начинается все с нуля и затем покрывает все наиболее важные для специалиста data science темы. Лекции читают, действительно, лучшие специалисты в области математического анализа, линейной алгебры, теории вероятности. Предлагается решить множество разных задач, которые проверяются преподавателями. Есть также уроки, которые объясняют математику ключевых алгоритмов для data science.
Лично мне было легче пройти линейную алгебру и в ней я существенно продвинулся. Штудирую сейчас математический анализ. Хотя это не просто. Кстати, подачу материала по математическому анализу можно и нужно улучшить. Хотя тема достаточно абстрактная, поэтому это легче сказать, чем сделать. По теории вероятностей сложность материала нарастает от темы к теме и, в конце, понимаешь, что ты охватил достаточно много материала и надо все это еще раз повторить, чтобы это уложилось в голове.
Да, курс сложный, но именно так только и можно заложить математический фундамент для специалиста data science. Просто без этой основы, мы не чем не будем отличаться от всех других специалистов, которых все больше и больше на рынке, которые знают отдельные функции, применяют их в определенных типах задач, получают некий результат, но не понимают принцип их работы, а это значит, что если тип задач будет другой, то они ничего сделать не смогут.
Анонимно
Я давно читаю proglib и поэтому выбрала их курс. Базовый курс покрыл все проблемные места в школьной программе. Искренне рекомендую его всем, кто хоть немного сомневается в уровне своей «базы». Насыщенный и полезный курс.
Высшую математику я начала. Могу уже сейчас сказать, что многие непонятные моменты (пропущенные из-за короткости курсов на Stepik) прояснились.
Я брала курс преимущественно из-за обратной связи. В этом он полностью себя оправдал. Преподаватели, куратор, да и в целом обстановка на курсе крайне доброжелательная, ориентированная на понимание и помощь, очень теплая. Мне всегда (поздно вечером тоже) давали обратную связь по заданиям. Иногда я даже приятно удивлялась, с какой скоростью преподаватели отвечают на мои запросы :)))
Очень структурировано, подробно и понятно объясняются довольно сложные вещи. Заниматься по моим ощущениям надо много и часто. Но курс того стоит! Однозначно рекомендую, мне очень нравится.
Константин Петроченко
Студент курса «Математика для Data Science». Senior fullstack-разработчик.
Я бы посоветовал этот курс тем, кто уже работает в Data Science и кому не хватает знаний по высшей математике. Лекции понравились, конечно, какие-то преподаватели из МГУ рассказывают более интересно, какие-то менее интересно. Было много практических заданий, иногда даже слишком, не хватало сил все сделать.
Больше всего понравился последний блок с практическими задачами непосредственно из Data Science, я действительно даже не знал, как там применяется высшая математика, это было интересно. Также хорошо подтянул линейную алгебру, мат. и стат анализ.
Не хватает воркшопов вопрос-ответ и просто живого общения. Также, хотелось бы, чтобы преподаватели отвечали оперативнее на вопросы в чате.
Карина Тирская
Тимлид-преподаватель в Maximum Education, преподаватель по математике. Студент курса «Основы программирования на Python»
Я действительно рада, что прошла этот курс. В университете я боялась программирования. Этот курс помог мне преодолеть этот страх. У меня появилось общее представление о Python и я смогла подготовиться к экзаменам в универе. Особенно понравились лекции от Артура Сапрыкина, все было «разжевано» и понятно. Все задания были интересными, релевантными
Из минусов, второй преподаватель иногда объяснял материал слишком сложно для новичка. Иногда тяжело было найти нужный материал в видеолекциях, приходилось проматывать несколько видео.