​

Начало занятий
25 октября, 4 месяца.

Что даст вам этот курс​

Обычно математику в вузах преподают в отрыве от реальных задач, где она в дальнейшем будет применяться. Мы пошли по другому пути. Каждый модуль профессионального курса сбалансирован математической теорией и практическими примерами, которые взяты из реальных кейсов. Вы будете решать задачу регрессии, проводить АБ-тестирование, работать над рекомендательной системой, использовать метод опорных векторов.

Для кого этот курс?
Курс подойдет всем, кто хочет развиваться в сфере Data Science. Он поможет вам освоить весь необходимый математический аппарат для решения задач на позиции Middle/Senior Data Scientist.

Зачем учить математику?
Профессия Data Scientist становится одной из самых перспективных и востребованных в IT. Средняя зарплата специалистов Data Science в России вдвое выше, чем у специалистов других IT-направлений — 190 тыс. руб. Основная сложность профессии — высокие требования к знаниям высшей математики. Уверенное владение математическим аппаратом позволяет повысить уровень компетенций и вырасти в профессиональном плане.

Спойлер: Программа курса :

Длительность курса: 132 академических часа

Модуль 1 Линейная алгебра

1 Введение 1.
Математика в
DataScience
понимание, что быть успешным Datascientist без
знания математики, а главное без ее понимания,
невозможно.
План и структура этого курса.
Знакомство с преподавателем
Математика для Data
Science. Продвинутый
курс
Best Practice по изучению математического аппарата,
необходимого для успешной карьеры в Data Science

2 Введение 2.
Основные
термины и
определения
математического
анализа,
линейной
алгебры и
теории
вероятностей
— Базовые термины матанализа (предел,
непрерывность функции, дифференциал)
— Базовые термины линейной алгебры (вектор,
матрица, ее виды, ранг, определитель)
— Базовые термины теории вероятности
(определение вероятности, мат.ожидание,
дисперсия)
— Установка Python, предоставление рекомендаций
по интерпретатору
— Вычисление базовых задач на Python с помощью
стандартных пакетов
Домашние задания
1 Основы линейной алгебры, мат.анализа и
теории вероятности
Цель: Цель данной домашней работы - развить
практические навыки, полученных в ходе
первого и второго уроков.
Рекомендуется сначала пройти урок 1 и 2.

3 Матрицы.
Основные
понятия и
операции
ключевые определения, операция над матрицами,
определитель, обратная матрица, вычисления
собственных значений и собственных векторов,
квадратичные формы
Домашние задания
1 Посчитать собственные числа и
вектора.

4 Геометрическая
интерпретация в
линейной
алгебре
— Геометрическая интерпретация матричных
преобразований
— Правило Крамера
— Знакоопределенность матрицы. Матрица
Маркова. Жорданова форма

5 Матричные
разложения
— Разложение SVD и ALS
— Неотрицательные разложения
— Заполнения пропусков в матрицах
Домашние задания
1 Разложить матрицу в SVD.
Цель: Для матрицы A=[3 7] выполнить
сингулярное разложение в python с
использованием библиотеки numpy (функция
linalg.svd). Записать получившуюся матрицу
преобразования. [5 2]
1. Установить набор библиотек Anaconda for
Python 3.7: https://www.anaconda.com/distribution/
2. Запустить графическую среду Ipython
Notebook (написав в терминале ipython
notebook, либо используя графический
интерфейс Anaconda)
3. Отразить код задания в Ipython Notebook
4. Прислать ссылку на репозиторий, в котором
будет выложен Ipython Notebook с решением
задачи

6 Матричные
производные
— Матричные производные
— Дифференциальные уравнения в матрицах

7 Применение
линейной
алгебры в Data
Science.
классификация данных с SVM и Logistic Regression
Домашние задания
1 Повторить вычисления с занятия в Python на
других данных.

8 Применение
линейной
алгебры в
Machine
Learning
обработка изображений и линейная алгебра

Модуль 2 Математический анализ
1 Теория множеств — Вероятностные пространства. Дискретное
пространство элементарных исходов
— Вероятность на числовой прямой и
плоскости. Правило сложения и умножения

2 Метрические
пространства
— Понятие метрического пространства.
— Определение нормированного
пространства, понятие нормы, отличие от
метрики, примеры нормированных
пространств.
— Норма в оптимизации
Домашние задания
1 Свойство метрики. Вычислить простые
операции над множеством.

3 Теория пределов — Определение Коши.
— Определение Пиано.
— Вычисление пределов функций.
— Асимптотические функции.
— Эквивалентные функции.
— Оценка сложности функции

4 Дифференцирование — Дифференцируемость функции в точке
Частные производные и дифференциалы
высших порядков
— Градиент. Матрица Гессе
Домашние задания
1 Вычисление производных и пределов
значений функции в бесконечности.

5 Оптимизация — Экстремумы функций многих переменных
— Определения точек локального и
глобального минимума. Необходимое и
достаточное условие экстремума для
выпуклых функций.
— Понятие стационарных точек и отличие в их
определении от точек экстремума

6 Минимизация и
Максимизация в
Регрессиях
— МНК
— ММП
Домашние задания
1 Максимизация функции с ограничениями.
Минимизация квадрата ошибки.

7 Интегрирование — Неопределенный интеграл. Определенный
интеграл
— Приложения определенного интеграла и
приближенные методы его вычисления
— Несобственные интегралы. Двойные
интегралы
— Приближенные методы интегрирования

8 Применение
Мат.анализа в ML
— Покоординатный спуск
— Градиентный спуск
— Адаптивные варианты градиентного спуска
— Ньютоновские методы, BFGS
Домашние задания
1 Поиск экстремума с
Python.

9 Применение
Мат.анализа в ML
— Линейная регрессия и разные подходы к
оптимизации (градиентный спуск, bounds, итд.)
— Нелинейная регрессия (реализация на
нейронных сетях) и разные подходы к
оптимизации
10 MidTerm проверочная работа.
В ходе занятия будет предоставляться от 2-х
до 5-ти минут на решение практической
задачи. По истечению отведенного времени
преподаватель решает задание на экране

Модуль 3 Теория вероятностей
1 Комбинаторика
и Основы
теории
вероятностей
— Принцип Дирихле. Перестановки. Размещения.
Сочетания.
— Опыт и его исходы. Пространство элементарных
событий. Вероятность события.
— Независимость событий. Условная вероятность.
Формулы сложения и умножения.
— Формулы полной вероятности и Байеса

2 Случайные
величины
— Случайная величина
— Дискретные и непрерывные случайные величины
— Закон распределения случайной величины и
способы его описания
Дискретные и непрерывные распределения
— Функция распределения и её свойства
— Распределение Бернулли
— Биномиальное распределение
— Моделирование на Python дискретное
распределение (для задачи МонтеКарло)
Домашние задания
1 Вычислить мат.ожидание, написав программный
код в Python.

3 Непрерывные
случайные
величины
— Основные законы распределения и их физический
смысл: биномиальное, пуассоновское,
экспоненциальное, равномерное, гауссовское
— Компьютерное моделирование различных
распределений

4 Теоремы — Случайные последовательности и сходимость
— Теорема Пуассона для схемы Бернулли
— Закон больших чисел (Чебышева, Бернулли,
Хинчина)
— ЦПТ Локальная, ЦПТ Линдеберга, ЦПТ Ляпунова
— Точечные оценки и их свойства
Домашние задания
1 Задачи на предыдущие темы курса:
максимизировать функцию. Отнормировать
относительно среднего. Вычислить количество
возможных повторений.

5 Точечное и
интервальное
оценивание
— Асимптотическая нормальность оценок
— Доверительные интервалы. Принцип построения
доверительных интервалов

6 Проверка
гипотез
— Проверка статистических гипотез. Формулировка
гипотез.
— Проверка гипотезы о законе распределения
выборки. Критерий согласия Пирсона.
— Проверка гипотезы о независимости двух
номинальных признаков. Критерий хи-квадрат

7 Проверка
гипотез. Часть 2
— Ошибки I и II рода, уровень значимости.
Статистический критерий. Построение
доверительной и критической областей. P-value
— Проверка гипотезы о вероятности успеха в схеме
Бернулли. Биномиальный критерий

8 Виды
зависимостей
— Виды зависимостей случайных величин:
функциональная, причинно-следственная,
статистическая, корреляционная. Различия и связь
между ними.
— Условные распределения

9 Регресии — Линейные, многомерные, логистические регрессии
— МНК, ММП, ММ
Домашние задания
1 Построить линейную регрессию в
Python.

10 Метод главных
компонент
— Определение главных компонент, их вычисление
— Понижение размерности и отбор признаков
— Применение в задачах регрессионного анализа

11 Моделирование
случайных
величин
— Random Walks, практические методы
— Вероятностный классификатор: Logistic
Regression, Random Forest, Gradient Boosting
— Вероятностные Нейронные Сети

12 Моделирование
случайных
величин.Часть 2
— Random Walks, практические методы
— Вероятностный классификатор: Logistic
Regression, Random Forest, Gradient Boosting
— Вероятностные Нейронные Сети
Домашние задания
1 Провести Монте-Карло симуляцию для
вычисления числа Пи.

Модуль - 4 Проектная работа
1 Консультация
по проекту
обсуждение кейса из практики
Домашние задания
1 Проектная
работа

2 Консультация
по проекту
обсуждение кейса из практики

3 Защита
дипломного
проекта
обсуждение кейса из практики

Спойлер: Автор:

Преподаватели

Петр Лукьянченко
Преподаватель ВШЭ по высшей математике

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.