Математика для Data Science.

Линейная алгебра в data science

Обучение data science с нуля и математика – вещи созвучные. Нужно иметь серьезную математическую базу. К счастью, необязательно быть гением абсолютно во всех аспектах.

Линейная алгебра невероятно важна, ведь именно матрицы и векторы применяются для представления данных при использовании методов машинного обучения в серьезных компаниях. Чтобы получить базовые представления о линейной алгебре и быть конкурентоспособным кандидатом, можно пройти несколько курсов:

•  Линейная алгебра на Stepik. Затрагивает только введение, очень короткий и понятный, позволяет за 4 часа лекций освежить знания или получить базовые представления о том, с какими задачами работает эта сфера математики и как их решать;
• Вводный курс в линейную алгебру от Высшей Школы Экономики на Coursera. По содержанию он очень близок к предыдущему, но укладывается в еще более сжатые сроки, без потери качества материала;

Математический анализ в data science

 Необходим, чтобы понимать, как работает machine learning, и уметь оптимизировать алгоритмы машинного обучения на будущем месте работы. Полезными будут следующие курсы:

• Calculus 1 на Udemy – дает вводные знания по пределам и знакомит слушателя с базовыми приемами дифференцирования. Изложен на английском языке, поэтому знание языка и предметной терминологии обязательно.
• Еще один курс от Udemy, но более глубокого уровня — Calculus 3. Очень длинный, но после прохождения принцип работы большей части machine learning алгоритмов, применяемых в data science, становится простым и понятным;
• Хороший курс по введению в математический анализ на русском на платформе Stepik. Будет понятен даже тем, кто забыл университетский курс матанализа. Все дается в понятной форме и подкрепляется доказательствами;
• Полный курс матанализа — в учебнике MIT. Рассчитан на студентов младших курсов, поэтому не очень сложен в освоении, но есть и минус — он полностью на английском.