Курс «Основы математики
для Data Science»

Математика — это краеугольный камень Data Science. Хотя некоторые теоремы, аксиомы и формулы кажутся слишком абстрактными и далекими от практики, на самом деле без них невозможно по-настоящему глубоко анализировать и систематизировать огромные массивы данных.

На курсе слушатели познакомятся с основным математическими разделами: теория вероятностей, статистика.

Описание курса

Начинающие специалисты, рассматривающие предмет как ступень к изучению Data Science.

Целевая аудитория

Расписание открытых форматов курса

Дистанционный формат — 49 500 ₽.

Очный формат — 49 500 ₽.

Стоимость обучения одного слушателя

что такое равномерное распределение;
чем определяются условные вероятности;
чем определяются биномиальное, пуассоновское и геометрическое распределение;
как определить математическое ожидание и дисперсию;
что такое среднеквадратичные ошибки;
что такое байесовское оценивание;
как определить доверительные интервалы;
как определить вероятности ошибок 1-го и2-го рода;
что такое линейная регрессия.

Узнаете

основам дискретного пространства элементарных исходов;
основам непрерывного пространства элементарных исходов;
оценивать статистические параметры;
проверять гипотезы.

Научитесь

В результате освоения курса вы:

Основная информация

07 июля 2025
29 сентября 2025

пн–чт 10:00–17:00

49 500 руб.

м. Аэропорт,
Ленинградский проспект 68/24

Верхотуров Марк Валерьевич
Беляев Александр Владимирович

Консультация

Порядок записи на курс

Выбор курса

Заключение договора

Оплата обучения.

очно (до 15 слушателей);
дистанционно в составе очной группы (без ограничения числа подключений);
корпоративный формат (для групп от 10 до 15 слушателей).

Возможные форматы обучения и размеры групп

1 Теория вероятностей

1.1 Дискретные пространства элементарных исходов

1.1.1 Равномерное распределение
1.1.2 Условные вероятности. Формула Байеса. Независимые испытания
1.1.3 Формула включения-исключения. Задача о баллотировке
1.1.4 Случайные величины. Математическое ожидание, условное математическое ожидание. Совместные распределения
1.1.5 Биномиальное, пуассоновское и геометрическое распределение. Производящие функции моментов и характеристические функции
1.1.6 Неравенства Чебышева и Маркова. Неравенство Йенсена. Закон больших чисел и теорема Муавра-Лапласа
1.1.7 Ветвящиеся процессы

1.2 Непрерывные пространства элементарных исходов

1.2.1 Равномерное распределение. Плотность распределения вероятностей. Случайные величины. Независимость
1.2.2 Математическое ожидание, условное математическое ожидание, дисперсия, производящая функция, характеристическая функция
1.2.3 Нормальное распределение. Сходимость случайных величин и распределений. Центральная предельная теорема

2 Статистика

2.1 Оценивание параметров

2.1.1 Предварительные сведения. Некоторые важные вероятностные распределения
2.1.2 Оценки. Несмещенность
2.1.3 Достаточные статистики. Критерии факторизации
2.1.4 Оценки максимального правдоподобия
2.1.5 Нормальные выборки. Теорема Фишера
2.1.6 Среднеквадратичные ошибки. Теорема Рао-Блекуэлла. Неравенство Крамера-Рао
2.1.7 Экспоненциальные семейства
2.1.8 Доверительные интервалы
2.1.9 Байесовское оценивание

2.2 Проверка гипотез

2.2.1 Вероятности ошибок 1-го и 2-го рода. Наиболее мощные критерии
2.2.2 Критерии отношения правдоподобия. Лемма Неймана-Пирсона
2.2.3 Критерии согласия. Проверка гипотез для нормальных распределений. Однородные выборки
2.2.4 Критерий Пирсона. Теорема Пирсона
2.2.5 Критерий обобщенного отношения правдоподобия. Теорема Уилкса
2.2.6 Таблица сопряженности признаков
2.2.7 Проверка гипотез для нормальных распределений. Неоднородные выборки
2.2.8 Линейная регрессия. Оценка наименьших квадратов
2.2.9 Линейная регрессия для нормальных распределений

Подробная программа курса

Удостоверение о повышении квалификации

Документы об окончании

Требуемый уровень предварительной подготовки

Уровень средне-специального или высшего образования.

Руководитель IT проектов, Разработчик Python, Data Scientist, ML-engineer

Разработка на Python
Сбор и анализ данных
Преобразование "сырых" данных в полезную информацию для бизнеса
Создание и обучение предиктивных моделей с помощью алгоритмов машинного обучения и нейросетей
Помощь бизнесу в нахождении скрытых закономерностей, прогнозировании развития событий и оптимизации ключевых бизнес-процессов

Консалтинг
Коучинг

Специализация

Должность

Дополнительные услуги

Ведёт 13 курсов в ЦЕСИНКОМ

Разработчик информационных систем, системный аналитик, аналитик данных

Разработка на Python
Машинное обучение
Математическая оптимизация

Консалтинг

Специализация

Должность

Дополнительные услуги

Ведёт 19 курсов в ЦЕСИНКОМ

Разработка курса или траектории обучения под вашу задачу

Центр готов взять на себя разработку курсов и траекторий обучения под уже сформированную модель компетенций или просто под список знаний и навыков, которые нужно освоить специалистам организации.

Рекомендуемые курсы

Список курсов, которые дополняют данный курс

Основы Data Science и Big Data, часть 1

Машинное обучение на Python, часть 1

Глубокое обучение (нейронные сети) на Python, часть 1

Список категорий каталога, в которые включён курс

Траектории, в которые входит данный курс

Аналитик данных

Специалист по машинному обучению

Список курсов, требующихся для прохождения данного курса