Блог
FAQ

Математика для Data Science, часть 1. Теория вероятностей и статистика

5 дней (40 академических часов).
Длительность:
г. Москва, Ленинградский просп., 68/24;
Место проведения:
27 июня 2022; 03 октября 2022
Дата проведения:
39 500 руб.
Стоимость:
Необходимые для зачисления в группу документы: паспорт, СНИЛС, диплом о высшем или среднем специальном образовании, заключенный договор об образовании.
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
Целевая аудитория
Начинающие специалисты, рассматривающие предмет как ступень к изучению Data Science.
Расписание открытых форматов курса
Стоимость обучения одного слушателя
27.06.2022; 03.10.2022
Очный формат — 39 500 ₽.
Дистанционный формат — 39 500 ₽.
В результате освоения курса вы:
основам дискретного пространства элементарных исходов;
основам непрерывного пространства элементарных исходов;
оценивать статистические параметры;
проверять гипотезы.
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.
Научитесь
Узнаете
Основная информация
27 июня 2022
03 октября 2022
пн–чт 10:00–17:00
39 500 руб.
м. Аэропорт,
Ленинградский проспект 68/24
Верхотуров Марк Валерьевич
Беляев Александр Владимирович
Порядок записи на курс
Консультация
Выбор курса
Заключение договора
Оплата обучения.
Подробная программа курса
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

Возможные форматы обучения и размеры групп
очно (до 15 слушателей);
дистанционно в составе очной группы (без ограничения числа подключений);
корпоративный формат (для групп от 10 до 15 слушателей).
Документы об окончании
Удостоверение о повышении квалификации
Ответы на часто задаваемые вопросы
Какие форматы обучения?
Для удобства слушателей мы проводим обучение в двух форматах. Первый, «открытый», предполагает прохождение курсов непосредственно в нашем офисе. Обучение ведется по расписанию, во время него реализуется заранее определенная программа. Попасть на курсы могут все желающие.
Второй формат — «корпоративный». Он предполагает только обучение группы, представленной Заказчиком. Программа может быть адаптирована под конкретные потребности. Заказчик выбирает удобную дату.
Кто проводит обучение?
Разработчики и ведущие обучающих курсов — признанные эксперты в определенных направлениях деятельности. Это тренеры, которые готовы передать ценные знания по своим направлениям, а также важный в современных условиях практический опыт.
Какой документ выдается после прохождения обучения?
По прохождении курсов повышения квалификации выдается Удостоверение о повышении квалификации. Это документ государственного образца, на русском языке. Сведения о нем заносятся в ФИС ФРДО.
Можно ли перед заказом корпоративного обучения познакомиться с тренером или увидеть, как он проводит обучение?
Предварительное ознакомление с работой тренера возможно. Для этого нужно посетить его занятие. Еще один способ получить полное представление о программе и обучении — задать вопросы тренеру по телефону или пообщаться с ним онлайн.
Требуемый уровень предварительной подготовки
Уровень средне-специального или высшего образования.

Верхотуров Марк Валерьевич

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

Тренер курса

Ведёт 13 курсов в ЦЕСИНКОМ

Беляев Александр Владимирович

Разработчик информационных систем, системный аналитик, аналитик данных
Разработка на Python
Машинное обучение
Математическая оптимизация
Консалтинг

Специализация
Должность
Дополнительные услуги

Тренер курса

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
Список курсов, требующихся для прохождения данного курса
Математика для Data Science, часть 2.
Математический анализ и линейная алгебра