Математика и статистика для Data Science [2021] [robot dreams] [Сергей Бобровский]

Математика и статистика для Data Science [2021]
robot dreams
Сергей Бобровский

Загрузите основы математического мышления уже сейчас.

Как принимать правильные решения на основе данных, находить закономерности, проверять гипотезы и заложить фундамент для развития в data science ― узнайте на курсе.

Спойлер: После этого курса вы сможете

1. Применять математические формулы под конкретные задачи и понимать, почему нужно использовать именно их.
2. Находить закономерности и тенденции в данных.
3. Строить и проверять статистические гипотезы.
4. Предсказывать результаты выборов и находить взаимосвязи между затратами на рекламу и продажами.
5. Работать с big data структурно и без хаоса.
6. Получить знания и навыки, которые необходимы для работы в сфере data science и machine learning.
7. Повысить уровень квалификации на вашей текущей позиции.

Спойлер: Курс будет полезен

1. Analyst / Data Scientist (beginner)

Вы заложите фундамент математического мышления, научитесь проводить регрессионный анализ, применять точечную и интервальную оценку, основы распределения и статистические модели для решения рабочих задач. Это позволит вам находить закономерности в big data, строить статистические гипотезы и использовать данные на уровне Data Scientist.​

2. Python ∪ Java Developers

Вы научитесь применять библиотеки Python для анализа и визуализации данных. Будете решать задачи прогнозирования и классификации при помощи основных математических методов аналитики.​

3. Other IT specialists / Technical teachers ∪ students

Вы научитесь структурно работать с большим объемом данных, получите основательный математический бэкграунд и усилите свои компетенции.​

Спойлер: Содержание

Модуль 1 - Python для анализа данных: part 1

• Начните знакомство с Python.
• Научитесь определять структуры данных и проводить операции над ними.
• Изучите базовые функции Jupyter Notebook.
• Запустите код в Jupyter Notebook.

Модуль 2 - Python для анализа данных: part 2

• Подключите библиотеки Python.
• Научитесь с их помощью упрощать подготовку и обработку данных.
• Откройте навык [умею оперировать данными при помощи библиотек NumPy и Pandas] и [визуализирую данные с помощью библиотек MatPlotLib и Seaborn].

Модуль 3 - Теория множеств и линейная алгебра

• Перейдите к изучению основных понятий теории множеств.
• Научитесь применять операции над множествами в работе с данными.
• Используйте диаграммы Венна для анализа проблем.
• Перейдите к работе с векторами и матрицами при помощи библиотеки NumPy.
• Освойте чтение математических обозначений для разработки и имплементации алгоритмов.

Модуль 4 - Введение в теорию вероятности

• Узнайте, в чем состоит разница между вероятностью и статистикой.
• Освойте разные подходы к определению вероятности.
• Научитесь решать простые задачи на вероятность.
• Изучите теорему Байеса, чтобы правильно размышлять о вероятности в повседневной жизни.

Модуль 5 - Случайные величины и распределения

• Получите доступ к знаниям по темам: распределение, математическое ожидание, дисперсия, ковариация и корреляция.
• Установите взаимосвязь между распределением и вероятностью.
• Научитесь анализировать и использовать в работе диаграммы рассеяния для анализа корреляции.

Модуль 6 - Основные распределения

• Изучите основные виды распределений: биномиальное распределение, распределение Пуассона, распределение Гаусса. Научитесь их применять.
• Получите доступ к возможности определять, какое распределение описывает вашу проблему.
• Начните использовать библиотеку stats.

Модуль 7 - Данные. Статистика. Выборка

• Разберитесь в том, что такое статистика и какие вопросы она решает.
• Изучите методы выборки.
• Научитесь планировать и выполнять сборку данных.
• Примените моду, медиану и среднее значение для анализа данных а затем визуализируйте результаты анализа и опишите данные с помощью библиотек MatPlotLib, SeaBorn и Plotly.

Модуль 8 - Точечная оценка и метод максимального правдоподобия

• Научитесь предсказывать результаты выборов.
• Изучите понятие точечной оценки.
• Сделайте первые шаги к интерпретации данных: узнайте, что выборка говорит о настоящем распределении.
• Поймите, как работает метод максимального правдоподобия.

Модуль 9 - Интервальная оценка

• Научитесь правильно предсказывать результаты выборов.
• Используйте интервальную оценку для определения ошибок при интерпретации данных.
• Изучите, что такое доверительный интервал, какие бывают его примеры и интерпретации.
• Постройте доверительный интервал для простой проблемы.

Модуль 10 - Проверка статистических гипотез

• Перейдите к изучению основных и конкурирующих гипотез.
• Узнайте, что такое P-значение и как его интерпретировать.
• Научитесь определять типы ошибок.
• Сформулируйте статистическую гипотезу. Затем проверьте ее разными методами.

Модуль 11 - Анализ качественных данных

• Откройте доступ к знаниям о качественных переменных и непараметрических методах.
• Научитесь анализировать качественные данные.
• Постройте и проанализируйте таблицы сопряженности.
• Проверьте адекватность модели c помощью chi-square и библиотеки stats.

Модуль 12 - Статистика на практике

• Научитесь использовать статистические методы на предприятии.
• Распознайте возможную ошибку в анализе и откорректируйте ее.
• Поймите, как проводить поправку при множественной проверке гипотез.

Модуль 13 - Регрессионный анализ

• Изучите следующие понятия: линейная регрессия, полиномиальная регрессия, метод наименьших квадратов.
• Сформулируйте проблему для линейной регрессии.
• Используйте библиотеку ScikitLearn для регрессионного анализа данных.
• Затем проверьте результат вашего регрессионного анализа на адекватность.

Модуль 14 - Логистическая регрессия. Введение в машинное обучение

• Познакомьтесь с основами статистического обучения.
• Научитесь решать проблемы классификации с помощью логистической регрессии.
• Используйте ScikitLearn.
• Научитесь применять перекрестную проверку.
• И снова используйте ScikitLearn.
• Затем попробуйте сделать перекрестную проверку вручную.

Модуль 15 - Заключение. Как врать при помощи статистики

• Ознакомьтесь с научным методом и дизайном экспериментов.
• Разберите примеры экспериментального дизайна.
• Узнайте о том, как приступать к решению проблем.
• Научитесь уменьшать вероятность ошибок.

Модуль 16 - Презентация курсового проекта

• Проведите статистический анализ для решения проблемы на основе данных, которые получите от лектора.
• Защитите курсовой проект перед лектором и студентами вашего потока.

Примечание: на момент создания темы актуальная цена не известна.

Продажник