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)

Школа Данных Введение в Data Science [Александр Крот, Сергей Марин]