Чему вы научитесь
- Воспринимать данные как геометрические объекты: видеть за таблицами точки, векторы и пространства, а не просто наборы чисел.
- Управлять пространством данных: менять базис, поворачивать и проецировать облака, сжимать данные и убирать корреляции.
- Выбирать подходящую метрику: понимать разницу между евклидовой, манхэттенской и другими нормами, и как это влияет на кластеризацию.
- Применять PCA и SVD: освоить геометрическую суть снижения размерности и борьбы с «проклятием размерности».
- Интерпретировать формулы геометрически: видеть за формулами проекции, повороты и расстояния.
- Разбираться в многомерной геометрии: понять, почему трёхмерная интуиция подводит, и как работать с данными в высоких размерностях.
- Понимать градиент и оптимизацию: увидеть в градиенте направление роста и освоить принцип градиентного спуска.
О курсе
Наверное главная проблема курсов по data science и линейной алгебре в том, что за работой с кучей чисел люди не видят, что это представляет собой наглядную геометрию, которая помогает лучше понимать суть и ограничения алгоритмов.
Этот курс решает данную проблему.
Классические (и не только) понятия линейной алгебры и геометрии здесь обретают наглядное объяснение и применение в данных.
Для кого этот курс
Для специалистов, которые хотят понимать алгоритмы «изнутри», а не использовать их как чёрные ящики:
Действующие Data Scientist-ы и ML-инженеры и аналитики – для осознанного подбора алгоритмов и понимания их ограничений
Студенты и начинающие – для наращивания математической интуиции.
Все, кто хочет освоить геометрический взгляд на данные.
Начальные требования
Базовое знакомство с матрицами: сложение, умножение, понятия определителя, ранга и обратной матрицы (на интуитивном уровне). Всё остальное объясняется с нуля с упором на геометрию, а не на формальные вычисления.
Преподаватели курса
9
Сертификат
Успешно завершив курс, вы получите сертификат от платформы Stepik. Уже 3 учеников получили сертификат.
Что вы получите
- Глубокое геометрическое понимание линейной алгебры и её применения в Data Science.
- Интерактивные визуализации и примеры, которые помогут прочувствовать многомерные пространства.
- Практические навыки интерпретации и анализа данных через призму геометрии.
- Готовые ментальные модели для работы с алгоритмами кластеризации, регрессии, снижения размерности и оптимизации.
- Уверенность в применении математических методов: вы будете знать, что происходит под капотом ваших моделей.