Анализ данных и машинное обучение существенно опираются на результаты из математического анализа, линейной алгебры, методов оптимизации, теории вероятностей. Без фундаментальных знаний по этим наукам невозможно понимать, как устроены методы анализа данных. Задача этого курса — сформировать такой фундамент. Мы обойдёмся без сложных формул и доказательств и сделаем упор на интерпретации и понимании смысла математических понятий и объектов.
Этот курс входит в специализацию ''Специализация Машинное обучение и анализ данных'
84,059 уже зарегистрированы
от партнера
Московский физико-технический институт
Яндекс
E-Learning Development Fund
Специализация Машинное обучение и анализ данныхМосковский физико-технический институтОб этом курсе
Недавно просмотрено: 154,666
Карьерные результаты учащихся
32%
начал новую карьеру, пройдя эти курсы
39%
получил значимые преимущества в карьере благодаря этому курсу
24%
стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 1 из 6 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Начальный уровень
Прибл. 28 часов на выполнение
Русский
Субтитры: Русский
Приобретаемые навыки
ScipyStatisticsPython ProgrammingNumpy
Карьерные результаты учащихся
32%
начал новую карьеру, пройдя эти курсы
39%
получил значимые преимущества в карьере благодаря этому курсу
24%
стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 1 из 6 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Начальный уровень
Прибл. 28 часов на выполнение
Русский
Субтитры: Русский
от партнера
Московский физико-технический институт
Московский физико-технический институт (Физтех) является одним из ведущих вузов страны и входит в основные рейтинги лучших университетов мира. Институт обладает не только богатой историей – основателями и профессорами института были Нобелевские лауреаты Пётр Капица, Лев Ландау и Николай Семенов – но и большой научно-исследовательской базой.
Яндекс
Yandex is a technology company that builds intelligent products and services powered by machine learning. Our goal is to help consumers and businesses better navigate the online and offline world.
E-Learning Development Fund
Фонд развития онлайн-образования (ФРОО) — российский оператор онлайн-программ (OPM — online program management), который создает контент в партнерстве с ведущими компаниями и вузами и продвигает его на крупнейших образовательных платформах.
Программа курса: что вы изучите
7 ч. на завершение
Введение
Добро пожаловать! На этой неделе мы начнём осваивать язык Python — один из главных инструментов специалиста в науке о данных, и вспомним кое-что о производных, которые активно используются при настройке моделей машинного обучения.
7 ч. на завершение
19 видео ((всего 115 мин.)), 16 материалов для самостоятельного изучения, 7 тестов
8 ч. на завершение
Библиотеки Python и линейная алгебра
На этой неделе мы познакомимся с Python-библиотеками, содержащими большое количество полезных инструментов: от быстрых операций с многомерными массивами до визуализации и реализации различных математических методов. Кроме того, мы освоим линейную алгебру — основной математический аппарат для работы с данными: в большинстве задач данные можно представить в виде векторов или матриц.
8 ч. на завершение
14 видео ((всего 97 мин.)), 8 материалов для самостоятельного изучения, 10 тестов
6 ч. на завершение
Оптимизация и матричные разложения
На этой неделе мы научимся с помощью методов оптимизации находить наилучшие значения параметров системы, чтобы минимизировать затраты или максимизировать точность предсказаний, а также познакомимся с матричными разложениями, которые используются при построении регрессионных моделей, для уменьшения размерности данных, в рекомендательных системах и в анализе текстов.
6 ч. на завершение
12 видео ((всего 47 мин.)), 3 материалов для самостоятельного изучения, 7 тестов
6 ч. на завершение
Случайность
На этой неделе мы освоим базовые концепции теории вероятностей и статистики, которые необходимы для понимания механизма работы практически всех методов анализа данных. Мы разберёмся с самыми популярными распределениями, узнаем, какие явления ими описываются и какими статистиками оцениваются их параметры, а также научимся строить доверительные интервалы.
6 ч. на завершение
11 видео ((всего 59 мин.)), 7 материалов для самостоятельного изучения, 7 тестов
Рецензии
Лучшие отзывы о курсе МАТЕМАТИКА И PYTHON ДЛЯ АНАЛИЗА ДАННЫХ
от партнера GD8 авг. 2018 г.
Лучший вводный курс, который я видел. Есть мелкие огрехи в изложении математической части, но это ерунда по сравнению с четкостью и полнотой изложения программистской части и обилием примеров. Спасибо
от партнера KA15 февр. 2016 г.
Прошел много курсов по Data Science, этот курс не разочаровал. Подается в лучших западных традициях. Неформально объясняется материал, много примеров. Надеюсь, и дальше специализация не подкачает.
от партнера VK11 апр. 2017 г.
Прекрасный практический курс! За месяц очень многое узнал и о Питоне и об анализе данных. Никогда не думал, что смогу так быстро научиться решать достаточно сложные задачи на новом для меня языке
от партнера ST21 мар. 2016 г.
Все очень удачно в этом курсе сложено. Есть небольшое "НО", всё же иногда информация подаётся в проброс, и от этого можно потерять нить событий. Некоторые важные вещи стоит осветить подробнее.
Специализация Машинное обучение и анализ данных: общие сведения
Мы покажем, как проходит полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Вы научитесь пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Что я получу, оформив подписку на специализацию?
Is financial aid available?
Остались вопросы? Посетите Центр поддержки учащихся.
