Чему вы научитесь
- Разбор коммерческого кода действующих проектов по Data Science с сайта kaggle.com
- Способность понимать раздел "Матричная факторизация" в учебнике от Школы Анализа Данных(ШАД) Яндекс education.yandex.ru/handbook/ml/article/matrichnaya-faktorizaciya
- Способность начать понимать научную статью: arxiv.org/html/2505.23552
- Применения знаний на новейших моделях машинного обучения и нейросетей на сайте архив: arxiv.org/list/stat.ML/recent
- Способность понимать лекции от Воронцова К.В. http://machinelearning.ru/wiki/index.php?title=Участник:Vokov
- Глубокое понимание раздела "Сингулярное разложение": http://www.machinelearning.ru/wiki/index.php?title=Сингулярное_разложение
- Адаптация полученных знаний по математике и программированию под специфику бизнеса вашего работодателя или вашего стартапа.
- Навык выведения математических формул с нуля
- Имплементация математических формул в Python
- Глубокое понимание математики которая используется в Python
- Фундаментальное понимание алгоритма спектрального и сингулярного разложение(SVD). Мура-Пенроуза, на примере множественной линейной регрессии
- Фундаментальные знания для подготовки к собеседованию в Data Science
О курсе
🟥🟨🟩Революция в ML.От «чёрного ящика» к полному пониманию математики машинного обучения через реверс-инжиниринг ML-модели. Вывод с нуля всех формул + Python.Меня зовут Руслан Сенаторов и в 2025 году я разработал новую систему обучения в области Data Science. Вместо традиционного "сверху вниз через теорию" мы начинаем с готовых решений в scikit-learn и разбираем их "изнутри",чтобы понять принципы работы и математику которая лежит в их основе с полного нуля.Это позволяет значительно сократить время обучения
Для кого этот курс
Курс рассчитан на тех, кто хочет с полного нуля получить глубокое понимание всей математики для машинного обучения которая используется в реализации классических алгоритмов машинного обучения и в дальнейшем применять эти знания в Python коде и кто хочет понимать, что происходит под капотом библиотек Scikit-learn, PyTorch, TensorFlow.
Начальные требования
- Никаких знаний по математике предварительно не требуется, вся математика будет дана с полного нуля.
- Рекомендуются базовые знания Python (на уровне функций).
-
Либо опыт работы с другими языками программирования и готовность изучать Python в процессе курса.
Преподаватели курса
7 011
Как проходит обучение
- Чётко структурированные видео-лекции по разделам курса
- Jupyter-блокноты с полным кодом на Python и поясняющими комментариями
- Проверочные задания после каждой темы для закрепления материала
- Подробный разбор решений — как в видео, так и в блокнотах
- Все задания построены так, чтобы поэтапно освоить алгоритм Спектральное и Сингулярное разложение(SVD). Мура-Пенроуза и его применение в линейной регрессии
- Поддержка преподавателя: ответы на ваши вопросы в группе телеграм
Сертификат
Успешно завершив курс, вы получите сертификат от платформы Stepik. Уже 32 учеников получили сертификат.
Что вы получите
- Понимание принципов алгоритма Спектральное и Сингулярное разложение(SVD). Мура-Пенроуза и множественной линейной регрессии
- Умение самостоятельно реализовать EVD и SVD без готовых библиотек
- Практические навыки работы с данными на Python
- Задания с автоматической проверкой и интерактивной обратной связью
- Доступ к обсуждению решений и помощи от сообщества
- Электронный сертификат об успешном завершении курса
Нагрузка
4-5