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. Для успешного применения методов анализа данных нужно уметь программировать. Фактическим стандартом для этого в наши дни является язык Python. В данном курсе мы предлагаем познакомиться с его синтаксисом, а также научиться работать с его основными библиотеками, полезными для анализа данных, например, NumPy, SciPy, Matplotlib и Pandas. Видео курса разработаны на Python 2. Задания и ноутбуки к ним адаптированы к Python 3.
このコースはМашинное обучение и анализ данных の専門講座に属します。
Математика и Python для анализа данных
提供：
シラバス - 本コースの学習内容
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.
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.
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.
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.
39%
43%
26%
Математика и Python для анализа данных からの人気レビュー
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
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.
モスクワ物理工科大学（Moscow Institute of Physics and Technology）について
Yandexについて
Машинное обучение и анализ данных専門講座について
よくある質問
いつ講座や課題にアクセスできるようになりますか？
修了証に登録すると、すべてのビデオ、テスト、およびプログラミング課題（該当する場合）にアクセスできます。ピアレビュー課題は、セッションが開始してからのみ、提出およびレビューできます。購入せずにコースを検討することを選択する場合、特定の課題にアクセスすることはできません。
この専門講座をサブスクライブすると何を行うことができるようになりますか？
コースに登録する際、専門講座のすべてのコースにアクセスできます。コースの完了時には修了証を取得できます。電子修了証が成果のページに追加され、そこから修了証を印刷したり、LinkedInのプロフィールに追加したりできます。コースの内容の閲覧のみを希望する場合は、無料でコースを聴講できます。
返金ポリシーについて教えてください。
学資援助はありますか？
さらに質問がある場合は、受講者向けヘルプセンターにアクセスしてください。
