future thinking school by Laba
онлайн-курс 8 недель старт 20.12

Математика для анализа и прогнозирования

Загрузите основы математического мышления уже сейчас Записаться на курс
Обучение на реальных задачах современного рынка, а не на примерах из учебника Построение и проверка статистических гипотез, работа с регрессионным анализом и предсказаниями Защита собственного статистического анализа перед лектором
Статистика ― основа для развития в Data Science.
 

После этого курса вы сможете:

  • применять математические формулы под конкретные задачи и понимать, почему нужно использовать именно их
  • находить закономерности и тенденции в данных
  • строить и проверять статистические гипотезы
  • предсказывать результаты выборов и находить взаимосвязи между затратами на рекламу и продажами
  • работать с big data структурно и без хаоса
  • получить знания и навыки, которые необходимы для работы в сфере data science и machine learning
  • повысить уровень квалификации на вашей текущей позиции

 

 

Программа курса
Курс будет полезен:
  1. Analysts

    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.

    • После курса вы сможете претендовать на позицию Data Scientist (beginner).
  2. Developers

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

    • Со знаниями, полученными на курсе, вы сможете переквалифицироваться из разработчика в Data Analyst или Data Scientist (beginner).
  3. Technical teachers /
    Other IT specialist

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

    • После курса вы сможете претендовать на позицию Data Analyst (beginner).
Подать заявку
Необходимые знания:
Математика
знания линейной алгебры и основы интегрального и дифференциального исчисления.
Python
навык написания кода и работа с переменными и структурами данных
Лектор
Сергей Бобровский Data Scientist в отделении AI Platforms в Airbus
  • занимается разработкой систем искусственного интеллекта для анализа временных рядов из сенсоров в Airbus
  • выступает на международных конференциях по искусственному интеллекту в Лондоне (Re•Work Deep Learning Summit), Стокгольме (Nordic Data Science) и Лозанне (Applied Machine Learning Days)
  • до этого: на протяжении 3-х лет работал и преподавал физику и космонавтику в отделе развития бизнеса в Центре управления полетами Германского центра авиации и космонавтики (DLR)
  • до этого²: 3 года работал в группе теоретической физики Немецкого Электронного Синхротрона (DESY)
  • имеет более 5-ти лет опыта анализа данных в различных отраслях: от поиска мошенничества в онлайн-торговле до анализа физических данных на Большом Адронном Коллайдере
  • кандидат физико-математических наук Гамбургского университета
16 занятий 25 часов теории ∪ практики 20 декабря ― 24 февраля
Записаться
Программа курса
(16 занятий)
01 занятие
20.12
19:00
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.
02 занятие
23.12
19:00
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].
15 занятие
21.02
19:00
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.
16 занятие
24.02
19:00
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.
Отзывы о курсе
 
Андрей Пойденко ТОВ Омега. Директор по логистике.

Прошел курс "Математика и статистика для анализа данных", впервые в таком формате обучался, и могу оценить на 10/10 по всем характеристикам. Вообще, я в этой области не работаю, для меня это как хобби. Какие-то вещи я знал ранее, но процентов 70% - это было новое. Подача хорошая, интересные домашние задания, классная обратная связь по ним. Лектор тоже понравился, видно, что он человек-практик, а не просто "преподаватель".

После одной из лекций он принял решение уделять время разбору домашних заданий прямо на занятии, и это было очень круто! Знания однозначно применимы, но курс требует предварительной подготовки. Осталось много дополнительных материалов, постоянно возвращаюсь к ним и буду продолжать изучать в будущем. Так как я новичок, курс был для меня своеобразным первым шагом, входом в эту область. Если бы у меня был опыт, можно было бы сразу реализовывать на практике, но я пока восполняю пробелы в понимании базовых вещей :) Ожидания с реальностью совпали, так что я доволен!

Закончил курс по математике и статистике с Сергеем Бобровским. Математического бекграунда не было, так что записался, чтобы закрыть пробелы и получить базу для дальнейшей работы с ML и data science. Курс ожидания оправдал. Особенно круто были раскрыты темы, связанные с регрессиями. Лектор хороший, подавал материал доступно и отвечал на вопросы. Рекомендую.

Заявка на курс

Оставьте заявку, мы свяжемся и уточним, подходит ли вам курс и сколько он стоит

 

 

 

Регистрируясь, вы соглашаетесь с условиями
договора-оферты и политикой конфиденциальности.
  • 16 живых сессий с лектором

  • проект в портфолио

  • практика и фидбек