Курс на Stepik
Обложка курса «(бета) Линейная алгебра для Data Science и Machine Learning» на Stepik
Бесплатно

(бета) Линейная алгебра для Data Science и Machine Learning ★ 4.000

Открыть на
STEPIK.ORG

Курс по линейной алгебре для задач Data Science, Machine Learning и GameDev: векторы, матрицы, СЛАУ, собственные векторы, SVD и PCA. Обучение строится на интуитивных объяснениях, геометрическом смысле и практических задачах, чтобы применять формулы к анализу данных и прикладным моделям.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «(бета) Линейная алгебра для Data Science и Machine Learning»Учеников на курсе 1 221
Сертификаты, выданные на курсе «(бета) Линейная алгебра для Data Science и Machine Learning»Сертификатов выдано 0
Отзывы о курсе «(бета) Линейная алгебра для Data Science и Machine Learning»Отзывов получено 13
Рейтинг курса «(бета) Линейная алгебра для Data Science и Machine Learning»Рейтинг курса 4.000
Уроки в курсе «(бета) Линейная алгебра для Data Science и Machine Learning»Количество уроков 41
Тесты в курсе «(бета) Линейная алгебра для Data Science и Machine Learning»Количество квизов 240
Время прохождения курса «(бета) Линейная алгебра для Data Science и Machine Learning»Время прохождения курса —
Обновления курса «(бета) Линейная алгебра для Data Science и Machine Learning»Обновления курса — —
Дата публикации курса «(бета) Линейная алгебра для Data Science и Machine Learning»Дата публикации курса — ———
Последнее обновление курса «(бета) Линейная алгебра для Data Science и Machine Learning»Последнее обновление — ———
Сложность normal — ———

Содержание курса

Разделы в курсе «(бета) Линейная алгебра для Data Science и Machine Learning» 12 разделов Уроки в курсе «(бета) Линейная алгебра для Data Science и Machine Learning» 41 урок Тесты в курсе «(бета) Линейная алгебра для Data Science и Machine Learning» 240 тестов Время прохождения курса «(бета) Линейная алгебра для Data Science и Machine Learning» 10 ч. Последнее обновление курса «(бета) Линейная алгебра для Data Science и Machine Learning» обн. 27 августа 2026

Введение

2 урока
1. Введение ↗
2. Как получить помощь? Связь с автором. ↗

Векторы: Геометрия и основы

4 урока
1. Векторы и скаляры ↗
2. Линейные операции с векторами ↗
3. Скалярное произведение и длины ↗
4. Итоговые задачи модуля ↗

Матрицы: Инструментарий

4 урока
1. Что такое матрица ↗
2. Арифметика матриц ↗
3. Умножение матриц ↗
4. Итоговые задачи модуля ↗

Системы линейных уравнений

4 урока
1. Постановка задачи ↗
2. Метод Гаусса ↗
3. Анализ решений ↗
4. Итоговые задачи модуля ↗

Определитель и Обратная матрица

4 урока
1. Определитель (Детерминант) ↗
2. Свойства определителей ↗
3. Обратная матрица ↗
4. Итоговые задачи модуля ↗

Линейное пространство (Введение в абстракцию)

4 урока
1. Линейная зависимость ↗
2. Ранг матрицы ↗
3. Базис и размерность ↗
4. Итоговые задачи модуля ↗

Собственные векторы и числа (Eigenvalues & Eigenvectors)

4 урока
1. Суть проблемы ↗
2. Алгоритм поиска ↗
3. Свойства и Диагонализация ↗
4. Итоговые задачи модуля ↗

Линейные операторы: Матрица как функция

4 урока
1. Понятие линейного оператора ↗
2. Ядро и Образ (Kernel & Image) ↗
3. Смена базиса ↗
4. Итоговые задачи модуля ↗

Евклидовы пространства и Ортогональность

4 урока
1. Скалярное произведение (уровень PRO) ↗
2. Проекции и Грам-Шмидт ↗
3. Метод наименьших квадратов (МНК) ↗
4. Итоговые задачи модуля ↗

Симметричные матрицы и Квадратичные формы

3 урока
1. Симметричные матрицы ↗
2. Квадратичные формы ↗
3. Итоговые задачи модуля ↗

SVD: Сингулярное разложение

3 урока
1. Концепция SVD ↗
2. Применение SVD (Data Science) ↗
3. Итоговые задачи модуля ↗

Итог

1 урок
1. Итог ↗