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 1 153
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