Чему вы научитесь
- Понимать, зачем математика нужна в Data Science и Machine Learning
- Представлять данные в виде векторов и матриц
- Работать с матрицами, размерностями и матричным умножением в Python
- Понимать, как линейная модель делает предсказания через X @ w
- Считать ошибку модели с помощью MSE, MAE и R²
- Понимать идею линейной регрессии без магии sklearn
- Реализовывать простую линейную регрессию вручную
- Понимать производную как инструмент уменьшения ошибки
- Реализовывать градиентный спуск с нуля
- Строить графики, линии регрессии и визуализации самостоятельно в Python
О курсе
Для кого этот курс
Начальные требования
Для прохождения курса желательно знать базовый Python.
Будет достаточно, если вы умеете:
создавать переменные
работать со списками и массивами на базовом уровне
запускать код в Jupyter Notebook или Google Colab
понимать простые функции в Python
читать простые таблицы данных
Также желательно помнить школьную математику на базовом уровне:
степени
уравнения
графики функций
координатную плоскость
простые алгебраические выражения
Глубоких знаний высшей математики не требуется. Производные, матрицы, линейная регрессия и градиентный спуск будут объясняться с нуля и через практику.
Преподаватели курса
68
Как проходит обучение
Обучение построено от простого к сложному.
Сначала вы быстро вспоминаете школьную базу: степени, логарифмы, уравнения, функции и графики. Затем переходите к векторам и матрицам, учитесь представлять данные как матрицу признаков X и вектор ответов y.
После этого вы разбираете линейную регрессию: сначала руками и через формулы, затем через Python и sklearn. В финальном модуле вы изучаете производные и реализуете градиентный спуск с нуля.
В курсе используются Python, NumPy, Pandas, Matplotlib, Seaborn и Scikit-learn.
Все графики ученик строит самостоятельно в Python: линии, точки, функции, ошибки, регрессии и процесс обучения модели. Это помогает не просто прочитать объяснение, а увидеть математику в действии.
В каждом модуле есть практические задания и мини-проекты. В конце первой части вы собираете финальный проект: от данных и матриц до линейной регрессии и градиентного спуска.
Что вы получите
- Понятное объяснение базовой математики для Data Science и ML
- Практику с NumPy, Pandas, Matplotlib и Scikit-learn
- Навык представлять данные в виде векторов и матриц
- Понимание матричного умножения и записи X @ w
- Понимание линейной регрессии без «магии» библиотек
- Навык считать ошибки модели и интерпретировать метрики
- Первую реализацию градиентного спуска с нуля
- Практические задания после каждого важного блока
- Мини-проекты по векторам, матрицам и линейной регрессии
- Финальный проект по первой части курса
- Базу для дальнейшего изучения статистики, вероятности, классификации и нейросетей