Здравствуйте! Только у нас можно скачать большинство курсов БЕСПЛАТНО, просто зарегистрируйтесь и следуйте инструкциям. Регистрация займет не более 20 секунд. Для корректной работы сайта, отключите блокировщик рекламы.
  • На форуме доступно большинство курсов БЕСПЛАТНО! Для того чтобы скачивать материалы с форума SLIVAP.RU, Вам нужно пройти простую регистрацию. Регистрация не займет много времени, и даст возможность стать полноценным пользователем нашего форума.

Скачать Математика для Data Science [2021] [stepik academy] [Михаил Миронов, Екатерина Минеева]

  • Автор темы Bot
  • Дата начала
  • Отслеживают 11

Bot

Активный
Монет(ы)
4.017
Математика для Data Science [2021]
Stepik Academy
Михаил Миронов, Екатерина Минеева


Разберитесь, как работают технологии машинного обучения, и научитесь пользоваться ими осознанно.

1. Разобраться в теории

Вы любите доходить до самой сути всего, что делаете. Вам интересно, что стоит за теми алгоритмами, которые вы применяете.​
2. Подготовиться к собеседованию
Вы хотите работать в сфере Data Science и боитесь каверзных вопросов на собеседованиях? Не зря боитесь.​
3. Читать научные статьи
Статьи по Data Science часто несложные по сути – но без определенной математической базы их сложно читать.​
4. Полюбить математику
Мы любим математику и хотим показать вам, как она красива.​
Блок 1 - Математический анализ

Модуль 1 - Одномерный математический анализ
  • Зачем в машинном обучении нужен математический анализ
  • Множества и функции
  • Пределы последовательностей
  • Пределы функций и непрерывные функции
  • Производные
  • Одномерный градиентный спуск
Модуль 2 - Многомерный математический анализ
  • R^n: расстояния и векторы
  • Дифференциал и частные производные
  • Производная по направлению и градиент
  • Градиентный спуск
  • Модификации градиентного спуска (Momentum, RMSProp, Adam)
Блок 2 - Линейная алгебра

Модуль 1 - Линейная алгебра
  • Векторные пространства и линейные отображения
  • Матрицы
  • Нейронные сети
  • Подпространства, базис, размерность
  • Ранг матрицы и метод Гаусса
Модуль 2 - Линейная алгебра продолжение
  • Определитель, обратные матрицы, замена базиса
  • Скалярное произведение, углы, расстояния
  • Ортогональные матрицы
  • Матричные разложения
  • Собственные векторы и SVD
  • Backpropagation
Блок 3 - Теория вероятностей

Модуль 1 - Дискретная теория вероятностей
  • Вероятностное пространство, события, исходы
  • Равновероятные исходы
  • Условная вероятность, независимые события, теорема Байеса
  • Перестановки и биномиальные коэффициенты
  • Дискретная случайная величина, распределение, математическое ожидание, дисперсия
  • Ряды и счётное пространство исходов
Модуль 2 - Непрерывная теория вероятностей
  • Интеграл и непрерывное пространство исходов.
  • Непрерывная случайная величина, распределение, плотность распределения, математическое ожидание, дисперсия
  • Закон больших чисел
  • Центральная предельная теорема
  • Основы статистики: статистические тесты

Примечание: Тариф «Перельман»

Продажник


Скрытый контент
Вам нужно нажать кнопку мне нравитcя для просмотра скрытого контента "Разблокировать кнопку Мне нравится"---"Где эта кнопка?"

Скачать


Скрытый контент
Вам нужно нажать кнопку мне нравитcя для просмотра скрытого контента "Разблокировать кнопку Мне нравится"---"Где эта кнопка?"
 
Последнее редактирование модератором:

John907

Новичок
Монет(ы)
0
Курс помог восполнить пропуски в знаниях и дал возможность увидеть знакомые ранее вещи по новому (задачи все носят практический характер из жизни, то есть абстракционное понимание сменяется пониманием как это используется в реальной жизни). Преподавательский состав с курса имеет большой опыт в тематике поэтому курс полезный в том числе и изза этого. Так же материал сформирован чтобы заполнить вске дыры и дать базовые знания для продолжения карьеры в этом направлении. В общем, курс очень крутой, все по делу и четко.
 

GrandDick

Новичок
Монет(ы)
0
Хороший курс, но субъективно, трудный! Заставляет вспоминать институтскую программу. Но главное желание и упорство, как говорится.
Объясняет базовые концепции математики, которые помогут глубже погрузиться в изучение ML!
Последний модуль был особенно тяжелым, советую вести конспекты либо ручные, либо еще где, чтобы лучше запоминать материал!
 

wadim7773

Новичок
Монет(ы)
0
Математика для работы с большими данными всегда нужна. Курс достаточно хороший, особенно если ты студент. Очень помогает тащить как институсткую программу , так и самому повышать свои знания. Думаю после прохождения данного курса можно спокойно подаваться на стажировку
 

Aza-aza

Новичок
Монет(ы)
0
Пожалуй школьных знаний будет маловато при прохождении курса. Программа хорошая. Очень помогает освежить старые знания, восполнить пробелы и узнать новое.
 

demyan_2011

Новичок
Монет(ы)
0
У Питера Тиля в «Zero to One» есть глава про лучший вопрос для собеседования.

Вопрос приводится в контексте того, как нужно собирать команду стартапа, но у меня он вызвал кошмарное видение: я сижу на финальном собеседовании в Palantir напротив Тиля, лихорадочно пытаясь на ходу придумать, что бы такое ответить. Поскольку в жизни нужно быть готовым к любой ситуации (и это просто хорошее упражнение), я стал копаться в своих мнениях, чтобы найти подходящее.

Проблема в том, что «с вами очень мало кто согласится» и «с вами очень много кто не согласится» — это разные вещи. Под первый критерий не попадают ни мнения 50/50, ни 20/80, ни может быть даже 10/90.

Так вот, если кратко сформулировать мой самый возмутительный посыл, он будет звучать примерно так: «Вам не нужны специалисты по машинному обучению».

Как выглядит типичный ML-щик? Он глубого разбирается в «начинке» моделей, может кастомизировать их под конкретные (и хорошо сформулированные) задачи, хорошо знает математику и академический computer science. Кому нужны такие люди? Нескольким десяткам контор вроде Google Brain или поиска по картинкам в Яндексе. Но мы готовим специалистов именно к таким задачам — посмотрите программу любого курса по Data Science.

99% прикладного ML в 99% компаний — это запуск sklearn.model.fit(data) в Jupyter. Для этого нужно хорошо понимать, где взять и как подготовить data, и как сформулировать задачу так, чтобы к ней был применим model; но мы почему-то учим молодых специалистов на курсах разбираться в том, как устроен fit.

Пару неделю назад я собеседовал кандидата на позицию младшего аналитика. Мы по обоюдному согласию решили не продолжать процесс: парень собирался сконцентрироваться на построении моделей и не хотел сильно глубоко погружаться в бизнес.

«Дружище», — хотелось сказать мне — «построение моделей — это последние три часа длинного и трудоёмкого процесса. Мне нужно быть в курсе проблем бизнеса, потому что бизнес даже не всегда способен понять, что пора идти ко мне. Мне нужно внимательно его выслушать, помочь конкретно сформулировать потребность и вовремя увидеть, что наличная ситуация — это на самом деле векторы в многомерном пространстве. Нужно вспомнить, какие данные у нас есть, и как особенности их сбора могут повлиять на модель. Спасибо, но кажется, что после всего этого с моделированием лучше справлюсь я сам».

Вы не Google, но вам нужен ML? Возьмите самого опытного и толкового BI-аналитика и отправьте его на курсы за 1000-другую баксов. И пользы будет больше, и сэкономите для компании ФОТ/головную боль. Не надо искать на рынке людей с "Data Scientist" в заголовке резюме, ещё чего доброго найдёте.
 

Vlaldis

Новичок
Монет(ы)
151
Хороший курс для готовящихся изучать Data Science и Анализ данных. Все кратно, все что нужно, без лишних тем. На реальных примерах из Data Science
 
Кнопка "Мне нравится" доступна только зарегистрированным пользователям!!!

Пользователи, просматривающие эту тему

Сейчас на форуме нет ни одного пользователя.
Сверху