Математика для Data Science
Математика для Data Science. Базовый курс
Пн 20:00, Чт 20:00
Вы научитесь использовать математический анализ, линейную алгебру, теорию вероятности и статистику в различных задачах Data Science.
Вы будете понимать устройство моделей, сможете их правильно выбирать, улучшать и адаптировать.
К концу курса вы уверенно овладеете математическим аппаратом и сможете сделать свои первые шаги в направлениях Анализа данных или Машинном обучении.
Во всех случаях, где фигурируют заманчивые гонорары и интересные задачи, математика — основное требование к специалистам. Именно умение применять эти знания на практике — тот экспресс, который позволит быстро перерасти джуниорские позиции и подняться на уровень Middle с средней зарплатой 190 тыс. рублей (согласно данным из открытых источников на май 2020).
Математический анализ необходим при калибровке модели: чтобы построить аппарат оптимизации, для максимизации правдоподобия или минимизации ошибок.
Линейная алгебра нужна в работе с многомерными пространствами, чтобы преобразовывать данные одним ходом, а не значение за значением.
Математическая статистика применяется для работы с моделями линейных регрессий. Она помогает правильно выбрать распределение и установить зависимость между переменными.
Преподаватели
Имеет более десяти лет опыта преподавания математических дисциплин в НИУ ВШЭ. Готовил студентов к международным олимпиадам по математике, участвовал в подготовке команд для соревнований по программированию.
Работал в Lamoda на должности Team Lead Analytics, принимал участие в формировании отдела бизнес-аналитики и анализа данных. Руководил проектами в госструктурах, отвечал за прогнозирование ключевых бизнес-KPI и структурирование данных большого объема. Управлял проектом по созданию математического комплекса алгоритмов 3D-картографии.
Около 3 лет работал Quantitative Research. Занимался анализом и прогнозированием временных рядов, участвовал в создании модели стохастической волатильности.
Руководитель программы
Закончил МФТИ с красным дипломом, работал на очном отделении заочной физтех-школы МФТИ.
Последние 4 года преподает линейную алгебру в МФТИ. Опыт преподавания — более 8 лет.
Вёл математику в проектах «Наука в Регионы» и Phystech.Academy.
Преподаватель
Кандидат физико-математических наук с 2010 года.
В 2008 году окончил Московский авиационный институт, факультет прикладной математики и физики, специальность «прикладная математика».
С 2011 года – доцент кафедры теории вероятностей в МАИ.
Преподаватель
Специалист по математике, электронике, статистике, компьютерной алгебре, численному моделированию. Опытный научно-технический работник.
Более 5 лет работает на предприятии военно-промышленного комплекса Республики Беларусь на должности научного сотрудника. Занимается системами радиолокации, навигации и управления беспилотными летательными аппаратами.
Ключевые навыки: C++, Python, Matlab/Simulink, программный пакет Mathematica.
Образование:
— физический факультет БГУ;
— магистратура и аспирантура в Белорусском государственном университете информатики и радиоэлектроники (БГУИР).
Преподаватель
Более 8 лет опыта в области анализа данных и машинного обучения в различных индустриях: телеком, онлайн-ритейл, банковская сфера, финтех и медтех.
В настоящий момент работает в медицинской сфере, занимаясь проблемами обработки звуковых сигналов и улучшением слуховых аппаратов. На позиции Lead Data Scientist ведет работу команды по аналитике больших объемов данных, машинным и глубоким обучением полного цикла.
Образование: бакалавриат МГТУ им.Баумана «Компьютерный анализ и интерпретация данных»; магистратура НИУ МАИ «Математические методы в экономике и маркетинге».
Преподаватель
Работает на позиции Data Scientist в Mail.Ru Group. Окончил образовательный проект «Техносфера» от Mail.Ru. Закончил обучение в МГУ имени М. В. Ломоносова на механико-математическом факультете.
Читал лекции по машинному обучению в проекте Open Data Science, сейчас проводит авторский курс по машинному обучению внутри Mail.Ru. Считает, что машинное обучение — это не только fit-predict, но и математическое понимание происходящего.
Преподаватель
Преподаёт на кафедре высшей математики в МФТИ в течении 8 лет.
Ведёт математический анализ, аналитическую геометрию, дифференциальные уравнения, линейную алгебру.
Окончил факультет управления и прикладной математики в МФТИ. На курсе в OTUS будет преподавать математический анализ.
Преподаватель
Преподаватели
Имеет более десяти лет опыта преподавания математических дисциплин в НИУ ВШЭ. Готовил студентов к международным олимпиадам по математике, участвовал в подготовке команд для соревнований по программированию.
Работал в Lamoda на должности Team Lead Analytics, принимал участие в формировании отдела бизнес-аналитики и анализа данных. Руководил проектами в госструктурах, отвечал за прогнозирование ключевых бизнес-KPI и структурирование данных большого объема. Управлял проектом по созданию математического комплекса алгоритмов 3D-картографии.
Около 3 лет работал Quantitative Research. Занимался анализом и прогнозированием временных рядов, участвовал в создании модели стохастической волатильности.
Руководитель программы
Закончил МФТИ с красным дипломом, работал на очном отделении заочной физтех-школы МФТИ.
Последние 4 года преподает линейную алгебру в МФТИ. Опыт преподавания — более 8 лет.
Вёл математику в проектах «Наука в Регионы» и Phystech.Academy.
Преподаватель
Кандидат физико-математических наук с 2010 года.
В 2008 году окончил Московский авиационный институт, факультет прикладной математики и физики, специальность «прикладная математика».
С 2011 года – доцент кафедры теории вероятностей в МАИ.
Преподаватель
Специалист по математике, электронике, статистике, компьютерной алгебре, численному моделированию. Опытный научно-технический работник.
Более 5 лет работает на предприятии военно-промышленного комплекса Республики Беларусь на должности научного сотрудника. Занимается системами радиолокации, навигации и управления беспилотными летательными аппаратами.
Ключевые навыки: C++, Python, Matlab/Simulink, программный пакет Mathematica.
Образование:
— физический факультет БГУ;
— магистратура и аспирантура в Белорусском государственном университете информатики и радиоэлектроники (БГУИР).
Преподаватель
Более 8 лет опыта в области анализа данных и машинного обучения в различных индустриях: телеком, онлайн-ритейл, банковская сфера, финтех и медтех.
В настоящий момент работает в медицинской сфере, занимаясь проблемами обработки звуковых сигналов и улучшением слуховых аппаратов. На позиции Lead Data Scientist ведет работу команды по аналитике больших объемов данных, машинным и глубоким обучением полного цикла.
Образование: бакалавриат МГТУ им.Баумана «Компьютерный анализ и интерпретация данных»; магистратура НИУ МАИ «Математические методы в экономике и маркетинге».
Преподаватель
Работает на позиции Data Scientist в Mail.Ru Group. Окончил образовательный проект «Техносфера» от Mail.Ru. Закончил обучение в МГУ имени М. В. Ломоносова на механико-математическом факультете.
Читал лекции по машинному обучению в проекте Open Data Science, сейчас проводит авторский курс по машинному обучению внутри Mail.Ru. Считает, что машинное обучение — это не только fit-predict, но и математическое понимание происходящего.
Преподаватель
Преподаёт на кафедре высшей математики в МФТИ в течении 8 лет.
Ведёт математический анализ, аналитическую геометрию, дифференциальные уравнения, линейную алгебру.
Окончил факультет управления и прикладной математики в МФТИ. На курсе в OTUS будет преподавать математический анализ.
Преподаватель
Мой отзыв может рассматриваться исключительно как субъективный взгляд непрофессионала.
Плюсы.
Самое главное — за относительно короткий промежуток времени осуществляется «прорыв» в довольно обширные области высшей математики. Выделено, на мой взгляд, самое важное в рассматриваемых темах. Отлично сбалансирована продолжительность курса, с одной стороны, и глубина погружения в темы, с другой: и не долго, и не «голопам по европам».
Все преподаватели молодцы, но особенно хотелось бы выделить следующих:
1) Петр Лукьянченко — его лекции вне конкуренции.
2) Сергей Жестков — очень подробно и доходчиво объясняет и визуализирует.
3) Александр Горяинов — простым языком о сложном. Как то умудрился выделить в довольно маленькое количество лекций самое главное в мат статистике (очень обширной, как мне кажется).
Минусы.
Самый главный минус, на мой взгляд, — один блок ведут разные преподаватели. Из-за этого как то «рвано» получается. Приходится подстраиваться под разный стиль разных преподавателей.
Важный минус — нет обратной связи по домашним заданиям. Правильно ли я сделал, не правильно, что не правильно — не понятно.
Еще один минус — отсутствие практических занятий с разбором решений практических задач. Что-то в начале было, но потом идет просто выдача материала в виде лекции плюс, конечно, можно задавать уточняющие вопросы и онлайн, и в слак. Но именно решение задач — это главное в освоении математики (на мой непрофессиональный взгляд).
Пожелания.
Добавить в курс 1 раз в неделю решение задач по теме. Пусть даже путем увеличения стоимости и затрачиваемого времени.
Вообще, лекции можно записать заранее и потом просто давать доступ на просмотр. А онлайн лучше именно решать задачи.
