Школа Данных Введение в Data Science (Александр Крот, Сергей Марин)

Основы Python, математики и статистики для подготовки к профессии Data Scientist и основному курсу Школы Данных. Если Вы хотите изучать машинное обучение и анализ данных, но у Вас не хватает знаний Python и математики, то Вам на этот курс. Мы разберем все, что Вам необходимо знать, чтобы проходить обучение профессии Data Scientist: линейную алгебру, методы оптимизации, статистику и Python
Количество занятий: 6 занятий
Формат обучения: онлайн
Преподаватели: Сергей Марин и Александр Крот

ПРОГРАММА КУРСА :
1 занятие - Оптимизация

• Задачи нелинейного программирования (одномерный и многомерный случай)
• Задачи с ограничениями-неравествами
• Критерий оптимальности: теорема Куна-Таккера
• Различные формы задач линейного программирования
• Численные методы оптимизация

2 занятие - Теорвер + Матстатистика

• Понятие события и вероятности
• Элементы комбинаторики
• Основные теоремы в теории вероятности
• Формула Байеса
• Случайные величины и их характеристики
• Предельные теоремы
• Выборочные распределения
• Интервальные оценки
• Статистическая проверка гипотез

3 занятие - Линейная Алгебра

• Множества и операции над ними
• Матрицы и операции над ними (линейные, умножение, транспонирование)
• Элементарные преобразования матриц (метод Гаусса)
• Определители и их свойства
• Получение обратной матрицы
• Системы линейных алгебраических уравнений
• Методы разложения матриц

4 занятие - Python

• Настройка среды: установка Anaconda
• Обзор Jupyter Notebook
• Обзор стандартной библиотеки
• Типа обьектов и работа с ними
• Операторы, условные конструкции и циклы
• Работа с последовательностями, таблицами
• Алгоритмическая сложность
• Основные структуры данных
• Основные алгоритмы Computer Science
• Библиотеки для анализа данных: numpy, scipy, pandas, scikit-learn, matplotlib, seaborn

5 занятие - Social Network Analysis

• Введение в анализ графов
• Основные понятия теории графов
• Алгоритмы обхода графов
• Продвинутые алгоритмы на графах
• Выделение лидеров мнений в сетях
• Обзор инструментов для работы с графами - библиотека networkx

6 занятие - Работа с текстовыми данными

• Обзор современных задач обработки естесственного языка
• Обзор подходов к анализу текстов
• Работа с текстовыми данными в Python
• Извлечение сущностей из текста (Named Entity Recognition)
• Классификация текстов, определение (Sentiment Analysis)