[Beeline] Big Data для аналитиков, подготовительный

Big Data для аналитиков, подготовительный ​ Основы Python, математики и статистики для подготовки к профессии Data Scientist и основному курсу Школы Данных. Если Вы хотите изучать машинное обучение и анализ данных, но у Вас не хватает знаний Python и математики, то Вам на этот курс. Мы разберем все, что Вам необходимо знать, чтобы проходить обучение профессии Data Scientist: линейную алгебру, методы оптимизации, статистику и Python Количество занятий: 6 занятий Формат обучения: Полностью онлайн Преподаватели: Сергей Марин и Александр Крот 1 занятие - Оптимизация​ Задачи нелинейного программирования (одномерный и многомерный случай) Задачи с ограничениями-неравествами Критерий оптимальности: теорема Куна-Таккера Различные формы задач линейного программирования Численные методы оптимизация 2 занятие - Теорвер + Матстатистика Понятие события и вероятности Элементы комбинаторики Основные теоремы в теории вероятности Формула Байеса Случайные величины и их характеристики Предельные теоремы Выборочные распределения Интервальные оценки Статистическая проверка гипотез 3 занятие - Линейная Алгебра Множества и операции над ними Матрицы и операции над ними (линейные, умножение, транспонирование) Элементарные преобразования матриц (метод Гаусса) Определители и их свойства Получение обратной матрицы Системы линейных алгебраических уравнений Методы разложения матриц 4 занятие - Python Настройка среды: установка Anaconda Обзор Jupyter Notebook Обзор стандартной библиотеки Типа обьектов и работа с ними Операторы, условные конструкции и циклы Работа с последовательностями, таблицами Алгоритмическая сложность Основные структуры данных Основные алгоритмы Computer Science Библиотеки для анализа данных: numpy, scipy, pandas, scikit-learn, matplotlib, seaborn 5 занятие - Social Network Analysis Введение в анализ графов Основные понятия теории графов Алгоритмы обхода графов Продвинутые алгоритмы на графах Выделение лидеров мнений в сетях Обзор инструментов для работы с графами - библиотека networkx 6 занятие - Работа с текстовыми данными Обзор современных задач обработки естесственного языка Обзор подходов к анализу текстов Работа с текстовыми данными в Python Извлечение сущностей из текста (Named Entity Recognition) Классификация текстов, определение (Sentiment Analysis)