Математика для анализа данных

Чтобы увидеть в больших объёмах данных закономерности, аналитик опирается на линейную алгебру, математический анализ и теорию вероятности. Если специалист не разбирается в этих направлениях — гипотезы и выводы будут неточными. Это как запустить ракету в космос, не зная траекторию полёта.

Мы создали вводный курс в математику, чтобы вы начали исследовать данные с важным бэкграундом для Data Science и выбирали алгоритмы, которые будут решать поставленную задачу.

Без математики и статистики невозможно использовать алгоритмы машинного обучения, а значит — правильно управлять данными

Ваши ключевые навыки по итогам обучения:

• Проверять векторы на линейную зависимость.
• Решать системы линейных уравнений в матричной форме.
• Вычислять собственные векторы и числа для матрицы.
• Производить матричные разложения.
• Вычислять производную функции нескольких аргументов.
• Использовать различные методы оптимизации для поиска локального минимума функции.
• Вычислять математическое ожидание и дисперсию дискретной случайной величины.
• Использовать формулу Байеса для вычисления апостериорной вероятности.
• Использовать закон больших чисел для оценки математического ожидания.

Линейная алгебра

• Это базовый раздел математики. Он даёт понимание, как компьютер представляет данные и управляет ими.

Математический анализ

• Узнаете, какая теория стоит за понятием «машинное обучение». Поймёте, с помощью каких алгоритмов математического анализа компьютер ищет параметры моделей.

Теория вероятности

• Этот раздел математики поможет провести анализ гипотезы с помощью цифр и понять, какие выбрать шаги, чтобы решить задачу.