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'
Математика и Python для анализа данных
от партнера
Московский физико-технический институт
Яндекс
E-Learning Development Fund
Об этом курсе
Недавно просмотрено: 357,081
Карьерные результаты учащихся
40%
начал новую карьеру, пройдя эти курсы
44%
получил значимые преимущества в карьере благодаря этому курсу
26%
стал больше зарабатывать или получил повышение
Приобретаемые навыки
ScipyStatisticsPython ProgrammingNumpy
Карьерные результаты учащихся
40%
начал новую карьеру, пройдя эти курсы
44%
получил значимые преимущества в карьере благодаря этому курсу
26%
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. 31 часа на выполнение
Русский
Субтитры: Русский
Программа курса: что вы изучите
8 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.
8 ч. на завершение
19 видео ((всего 115 мин.)), 12 материалов для самостоятельного изучения, 7 тестов
19 видео
Как устроена специализация и зачем ее проходить3мин
Как устроен этот курс и в чем его главная особенность1мин
МФТИ1мин
Что такое Python и почему мы выбрали именно его6мин
Как установить Анаконду. Windows3мин
Как установить Анаконду. Linux4мин
Как установить Анаконду. Mac3мин
Что такое ноутбуки и как ими пользоваться10мин
Типы данных16мин
Циклы, функции, генераторы, list comprehension13мин
Чтение данных из файлов11мин
Запись файлов, изменение файлов8мин
Функции и их свойства6мин
Предел и производная4мин
Геометрический смысл производной2мин
Производная сложной функции2мин
Задача нахождения экстремума3мин
Вторая производная и выпуклость5мин
12 материала для самостоятельного изучения
Формат специализации и получение сертификата2мин
МФТИ10мин
Немного о Yandex10мин
Python FAQ10мин
Forum&Chat10мин
Знакомство с IPython Notebook10мин
Конспект30мин
Типы данных (ipython notebook)10мин
Чтение данных из файлов (ipython notebook)10мин
Запись файлов, изменение файлов (ipython notebook)10мин
Конспект30мин
Конспект10мин
6 практического упражнения
Работа с IPython Notebook10мин
Знакомство с Python10мин
Работа с файлами в Python10мин
Синтаксис Python10мин
Функции и экстремумы10мин
Производная и её применения10мин
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
14 видео
Pandas. Data Frame11мин
Pandas. Индексация и селекция13мин
Первое знакомство NumPy, SciPy и Matplotlib16мин
Решение оптимизационных задач в SciPy4мин
Знакомство с линейной алгеброй5мин
Векторные пространства3мин
Линейная независимость6мин
Операции в векторных пространствах6мин
Зачем нужны матрицы?5мин
Матричные операции7мин
Ранг и определитель5мин
Системы линейных уравнений4мин
Особые виды матриц4мин
Собственные числа и векторы3мин
8 материала для самостоятельного изучения
Pandas. DataFrame (ipython notebook)10мин
Pandas. Индексация и селекция (ipython notebook)10мин
Первое знакомство с Numpy, Scipy и Matplotlib (ipython notebook)10мин
Оптимизация в Scipy (ipython notebook)10мин
NumPy: векторы и операции над ними10мин
Конспект30мин
NumPy: матрицы и операции над ними10мин
Конспект30мин
9 практического упражнения
Pandas10мин
Numpy10мин
Pandas, Numpy, Scipy, Matplotlib10мин
Базовые понятия линейной алгебры10мин
Линейная независимость и размерность10мин
Векторные пространства и NumPy10мин
Что можно делать с матрицами?10мин
Разрешимость систем линейных уравнений и ранги10мин
Матрицы и NumPy10мин
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
12 видео
Применение градиента3мин
Производная по направлению2мин
Касательная плоскость и линейное приближение2мин
Направление наискорейшего роста2мин
Оптимизация негладких функций4мин
Метод имитации отжига4мин
Генетические алгоритмы и дифференциальная эволюция4мин
Нелдер-Мид3мин
Разложения матриц в произведение, сингулярное разложение3мин
Приближение матрицей меньшего ранга5мин
Связь сингулярного разложения и приближения матрицей меньшего ранга6мин
3 материала для самостоятельного изучения
Конспект30мин
Конспект30мин
Конспект30мин
6 практического упражнения
Частные производные10мин
Градиент и его применения10мин
Повторение: гладкость и градиентный спуск10мин
Методы оптимизации в негладких задачах10мин
Повторение линейной алгебры10мин
Матричные разложения10мин
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
11 видео
Свойства вероятности3мин
Условная вероятность2мин
Дискретные случайные величины4мин
Непрерывные случайные величины7мин
Оценка распределения по выборке6мин
Важные характеристики распределений6мин
Важные статистики5мин
Центральная предельная теорема5мин
Доверительные интервалы6мин
Бонусное видео6мин
7 материала для самостоятельного изучения
Работа со случайными величинами (ipython notebook)10мин
Конспект30мин
Оценка распределения по выборке (ipython notebook)10мин
Конспект30мин
Материалы к бонусному видео10мин
Список литературы10мин
Финальные титры10мин
6 практического упражнения
Вероятность10мин
Случайные величины10мин
Вероятность и случайные величины20мин
Распределения, параметры и оценки10мин
ЦПТ и доверительные интервалы10мин
Статистики20мин
Рецензии
Лучшие отзывы о курсе МАТЕМАТИКА И PYTHON ДЛЯ АНАЛИЗА ДАННЫХ
от партнера GDAug 8, 2018
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 MSOct 3, 2019
Спасибо за ваш труд. Очень интересно спустя 10 лет после университета окунутся в режим студента. Замечательно то, что для выполнения задания необходимо почесать репу)) и залезть в другие источники.
от партнера KAFeb 15, 2016
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 VKApr 11, 2017
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
О 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.
Основой образования в МФТИ является уникальная «система Физтеха», сформулированная Петром Капицей: кропотливый отбор одаренных и склонных к творческой работе абитуриентов; участие в обучении ведущих научных работников; индивидуальный подход к отдельным студентам с целью развития их творческих задатков; воспитание с первых шагов в атмосфере технических исследований и конструктивного творчества с использованием потенциала лучших лабораторий страны.
Среди выпускников МФТИ — нобелевские лауреаты Андрей Гейм и Константин Новоселов, основатель компании ABBYY Давид Ян, один из авторов архитектурных принципов построения вычислительных комплексов Борис Бабаян и др.
О 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.
О E-Learning Development Fund
Фонд развития онлайн-образования (ФРОО) объединяет образовательные стартапы, проекты в области EdTech и запускает собственные онлайн-программы в области машинного обучения, программирования, мобильной разработки, VR, дизайна и IT. Мы выстраиваем экосистему для обучения на всех стадиях жизненного цикла: от идеи и поиска средств на производство образовательной программы до поддержки, продаж и маркетинга. А сотрудничество с крупнейшими образовательными платформами позволяет запускать онлайн-курсы с максимальным эффектом и пользой для всех заинтересованных сторон.
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.
В рамках специализации вы освоите основные темы, необходимые в работе с большим массивом данных, в т.ч. современные методы классификации и регрессии, поиск структуры в данных, проведение экспериментов, построение выводов, базовая фундаментальная математика, основы программирования на Python.
Мы разберём, как построить рекомендательную систему, оценить эмоциональную окраску текста, спрогнозировать спрос на товар, оценить вероятность клика по рекламе и т.д.
В финале вам потребуется выполнить проект собственной системы, решающей любую актуальную для бизнеса задачу. Результатом будет наглядная работающая модель, которую вы сможете использовать в вашей повседневной работе или продемонстрировать на собеседовании.
Все, прошедшие специализацию, могут принять участие в Программе трудоустройства. Если вы заинтересованы в новых проектах, новых перспективах и возможностях - пройдите обучение по Специализации и подайте заявку.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Какие правила возврата средств?
Можно ли получить финансовую помощь?
Остались вопросы? Посетите Центр поддержки учащихся.
