Курс на Stepik

Обложка курса «Математика для Data Science: большой практический курс на Python» на Stepik

600 ₽

Математика для Data Science: большой практический курс на Python ★ 0.000

Открыть на
STEPIK.ORG

Изучите фундаментальную математику и статистику для Data Science на практике! Вы пройдете путь от линейной алгебры, теории вероятностей и матанализа до создания алгоритмов машинного обучения (k-NN, регрессии, K-Means) на чистом NumPy. Превращаем сухие формулы в работающий код для анализа данных и ИИ.

Показатель	Текущие показатели		Рост
Показатель	Значение	🏆 Рейтинг	3 дн	7 дн	30 дн
Учеников на курсе	1
Сертификатов выдано	0
Отзывов получено	0
Рейтинг курса	0.000
Количество уроков	33
Количество квизов	1
Количество задач с кодом	95
Стоимость курса	600 ₽	—
Обновления курса	—	—
Дата публикации курса	2 дня назад	—	—	—	—
Последнее обновление	12 ноября 2026	—	—	—	—
Сложность	normal	—	—	—	—

Содержание курса

Разделы в курсе «Математика для Data Science: большой практический курс на Python»

5 разделов Уроки в курсе «Математика для Data Science: большой практический курс на Python»

Уроки в курсе «Математика для Data Science: большой практический курс на Python»

33 урока Тесты в курсе «Математика для Data Science: большой практический курс на Python»

Тесты в курсе «Математика для Data Science: большой практический курс на Python»

1 тест Задачи в курсе «Математика для Data Science: большой практический курс на Python»

Задачи в курсе «Математика для Data Science: большой практический курс на Python»

95 задач Последнее обновление курса «Математика для Data Science: большой практический курс на Python»

Последнее обновление курса «Математика для Data Science: большой практический курс на Python»

обн. 12 ноября 2026

Добро пожаловать

1 урок

1. Приветственное слово ↗

Линейная алгебра

9 уроков

1. Векторы — от школьной геометрии к Data Science ↗

2. Длина вектора и Евклидово расстояние ↗

3. Скалярное произведение ↗

4. Косинусное сходство ↗

5. Матрицы — хранилища данных ↗

6. Умножение матриц ↗

7. Линейные преобразования ↗

8. Системы линейных уравнений и Обратная матрица ↗

9. Мини-проект. Собственные векторы и интуиция PCA ↗

Математический анализ

9 уроков

1. Функции и Функция потерь ↗

2. Производная — компас для нейросети ↗

3. Правило цепочки (Chain Rule) — фундамент нейросетей ↗

4. Частные производные (Метод «Заморозки») ↗

5. Градиент — магический компас ↗

6. Алгоритм Градиентного спуска (1D) ↗

7. Локальные минимумы и проблемы оптимизации ↗

8. Стохастический градиентный спуск (SGD) ↗

9. Мини-проект: Линейная регрессия с нуля ↗

Теория вероятностей и статистика

9 уроков

1. Описательная статистика: почему среднее вам врет ↗

2. Аномалии и Ящики с усами ↗

3. Основы вероятности и случайные события ↗

4. Условная вероятность: как новые данные меняют всё ↗

5. Теорема Байеса: как ИИ меняет своё мнение ↗

6. Нормальное распределение и Правило 3-х сигм ↗

7. Корреляция: как признаки связаны между собой ↗

8. Подготовка данных: Нормализация и Стандартизация ↗

9. Финальный проект: Наивный байесовский классификатор ↗

Алгоритмы ML

5 уроков

1. Метод k-ближайших соседей (k-NN) на чистом NumPy ↗

2. Линейная регрессия (Матричное решение) ↗

3. Градиентный спуск (Двигатель нейросетей) ↗

4. Логистическая регрессия (Классификация) ↗

5. Кластеризация K-Means (Обучение без учителя) ↗