[Shad Helper] Подготовка к собеседованию в Data Science (Александр Лыков, Егор Илларионов)

​

Преподаватели:

• Александр Лыков,
• Егор Илларионов,
• Андрей Канунников,
• Маргарита Меликян,
• Игорь Родионов

Подготовка к собеседованию на Data Science позиции с упором на математику. Алгоритмы ML, теория вероятностей, математическая статистика, линейная алгебра и математический анализ от преподавателей из ведущих университетов (МГУ, Физтех и ВШЭ).

Ваша будущая карьера

Наш курс подходит для Data Science позиций, таких как Data Scientist, Data Engineer, ML Engineer, Data Analyst и Quant Researcher.

Спойлер: Программа курса

Мы регулярно обновляем программу, чтобы соответствовать требованиям работодателей


Программа по Алгебре

Программа по алгебре для анализа данных содержит необходимый минимум для работы с векторами, линейными уравнениями, матрицами, квадратичными формами. Эти объекты являются фундаментом анализа данных и алгоритмов машинного обучения.

Уже один из первых и простейших методов анализа данных, линейная регрессия, оперирует с понятиями вектор и матрица. После прохождения курса вы сможете уверенно двигаться в сторону освоения профессии аналитика данных, не делая остановок на «неизвестных» разделах алгебры. Задачи с собеседований по алгебре у Вас будут производить впечатления детских ребусов.

1. неделя
   Комплексные числа и многочлены.
   
   
2. неделя
   Линейная зависимость векторов. Базис и размерность векторного пространства. Системы
   линейных уравнений. Ранг матрицы.
   
   
3. неделя
   Операции над матрицами. Линейные отображения их задание матрицами. Ядро и образ линейного отображения.
   
   
4. неделя
   Определители матриц, их свойства и методы вычисления.
   
   
5. неделя
   Спектральная теория: собственные векторы и значения, диагонализируемость.
   
   
6. неделя
   Билинейные и квадратичные формы. Приведение квадратичной формы к диагональному виду. Закон инерции. Критерий Сильвестра.
   
   
7. неделя
   Геометрия евклидовых пространств. Ортогонализация Грама–Шмидта.
   
   
8. неделя
   Самосопряжённые и ортогональные операторы и матрицы, их канонический вид

Программа по Математическому анализу

Математический анализ является фундаментом почти всех прикладных областей математики. Например, в основе нейронных сетей лежит понятие градиента, при оптимизации нелинейной функции вам понадобится гессиан, и, наконец, чтобы использовать сходимость алгоритма обучения понятие предела абсолютно необходимо.

Про все эти вещи вы узнаете именно в этом курсе. В программу по математическому анализу мы уложили самые важные и необходимые разделы для аналитика данных: пределы, дифференциальное и интегральное исчисления. Мы оставили только всё самое необходимое из этих разделов, не уводя в детали, чтобы сделать курс короче и практичнее, не теряя при этом целостность и ясность.

1. неделя
   Основы теории множеств. Предел числовых последовательностей.
   
   
2. неделя
   Числовые ряды.
   
   
3. неделя
   Предел функции. Непрерывность.
   
   
4. неделя
   Дифференцируемость.
   
   
5. неделя
   Интегрирование функций одной переменной.
   
   
6. неделя
   Функции многих переменных.
   
   
7. неделя
   Дифференциальное исчисления функций многих переменных.
   
   
8. неделя
   Основные теоремы дифференциального исчисления.
   
   
9. неделя
   Кратные интегралы.
   
   
10. неделя
    Несобственные интегралы. Критерии сходимости.

Программа по Теории вероятностей

Теория вероятностей пронизывают всю науку о данных. Вероятностные модели и конструкции присутствуют почти по всех алгоритмах машинного обучения. Функция штрафа в задаче регрессии или ошибка классификации опираются на понятии математического ожидания, закон больших чисел и центральная предельная теорема служат обоснованием сходимости и состоятельности многих алгоритмов и методов анализа данных.

Обо всех этих понятиях, и не только о них, Вы узнаете из этого курса. Будет дан необходимый материал из теории вероятностей для дальнейшего освоения математической статистики и алгоритмов машинного обучения. В ходе курса мы будем решать задачи повышенной сложности, так как на собеседованиях очень любят давать вероятностные задачи и Вы должны быть к ним особенно готовы.

1. неделя
   Классическая вероятность. Комбинаторика. "Карты, кости, два слона"
   
   
2. неделя
   Условная вероятность. Формулы полной вероятности Теорема Байеса.
   
   
3. неделя
   Математическое ожидание дискретных случайных величин.
   
   
4. неделя
   Геометрические вероятности.
   
   
5. неделя
   Случайные величины. Распределение случайных величин.
   
   
6. неделя
   Математическое ожидание непрерывных случайных величин.
   
   
7. неделя
   Случайные векторы.
   
   
8. неделя
   Простейшее случайное блуждание. Предельные теоремы.

Программа по Математической статистике

Математическая статистика является основополагающей дисциплиной в прикладных областях, имеющих дело с обработкой и анализом данных. Часто её рассматривают как прикладную часть теории вероятностей. Анализ многих реальных данных начинается с применения методов математической статистики, и затем (если в этом остаётся необходимость) продолжается методами машинного обучения.

В курсе мы пройдём базовые понятия математической статистики: оценки, доверительные интервалы, проверка гипотез, регрессионный анализ. Успешное освоение этих тем позволит Вам без труда отвечать на вопросы по статистике на собеседованиях на позицию аналитика данных.

1. неделя
   Выборочное пространство, выборка и выборочное распределение. Виды статистик.
   
   
2. неделя
   Оценки и их свойства.
   
   
3. неделя
   Метод моментов и метод максимального правдоподобия.
   
   
4. неделя
   Эффективные оценки. Доверительные интервалы.
   
   
5. неделя
   Визуальные методы анализа. Основы проверки гипотез.
   
   
6. неделя
   Критерий Вальда, критерии, основанные на нормальности данных, корреляционный анализ.
   
   
7. неделя
   Регрессионный анализ. Метод наименьших квадратов.
   
   
8. неделя
   Проверка гипотез о параметрах регрессионной модели.

Программа по Алгоритмам машинного обучения

Современный анализ данных не представляется возможным без алгоритмов и методов машинного обучения. В независимости от индустрии аналитику данных предстоит решать задачи кластеризации, классификации и регрессии. Квалифицированный аналитик данных должен знать о проблеме переобучении и уметь её решать. Качественная предобработка данных и правильная работа с признаками являются важными этапами в процессе анализа данных.

Все сформулированные задачи Вы научитесь решать после прохождения нашего курса. В ходе курса будем, в том числе, разбирать типичные вопросы с собеседований на аналитика данных.

1. неделя
   Основные задачи и инструменты машинного обучения
   
   
2. неделя
   Кластеризация: метрики и алгоритмы
   
   
3. неделя
   SVD, рекомендательная модель
   
   
4. неделя
   Линейная регрессия
   
   
5. неделя
   Логистическая регрессия, обобщенная линейная модель
   
   
6. неделя
   Переобучение: признаки, причины, методы устранения. Регуляризация
   
   
7. неделя
   Решающие деревья для регрессии и классификации
   
   
8. неделя
   Ансамбли алгоритмов

Стоимость: 2900₽ в неделю (16 платежей)

Скрытый текст. Доступен только зарегистрированным пользователям.Нажмите, чтобы раскрыть...