Базовая математика для Data Science (2021) Видеокурс
Это эффективный способ в сжатые сроки вспомнить школьную математику или восполнить необходимые знания для работы в Data Science или программировании.
Зачем нужна школьная математика
1. Программирование и Data Science требуют знаний математики. Математику преподают в школе, но со временем эти знания забываются, что усложняет смену предметной области.
2. Самостоятельно освежить пройденный материал сложно, в интернете можно найти курсы по подготовке к ЕГЭ, но они не охватывают ряд тем и направлены только на подготовку к экзаменам.
1. Начинающим специалистам Data Science
Поможет вспомнить школьную математику в короткие сроки, необходимую для освоения новой профессии и начала карьеры в Data Science.
2. Начинающим программистам
Даст базу для начала или более углубленного изучения языков программирования.
Спойлер: Ваши результаты после прохождения марафона
1. Прокачаете свою математическую грамотность для дальнейшего изучения высшей математики и data science.
2. Освежите знания школьной математики по данным темам и поймете как их применять в дальнейшей карьере программиста.
3. Получите сертификат участника марафона, подтверждающий Ваши знания.
Содержание
Модуль 1 - Начала теории множеств и математической логики.
-Начала теории множеств.
-Множества, соответствия, отношения.
-Операции над множествами.
-Структура математических утверждении?.
-Кванторы.
-Математическая логика определений, формулировок и доказательств.
-Числовые множества.
-Натуральные, целые, рациональные, вещественные числа.
-Основные законы.
Модуль 2 - Понятие о числовои? последовательности и способах ее задания.
-Арифметическая прогрессия, определение и свои?ства.
-Формула n–го члена и суммы первых n членов прогрессии.
-Геометрическая прогрессия, определение, свои?ства.
-Формула n-го члена и суммы первых n членов прогрессии.
-Бесконечно убывающая геометрическая прогрессия, ее сумма.
Модуль 3 - Векторная алгебра.
-Понятие вектора.
-Коллинеарность и компланарность векторов.
-Операции над векторами: сложение, умножение на число, скалярное произведение, векторное произведение.
Модуль 4 - Основы теории вероятностей.
-Операции над событиями.
-Классическая модель вероятности с использованием комбинаторных формул.
-Вероятности сложных событий.
-Формула включения-исключения.
-Схема Бернулли.
-Условная вероятность.
-Независимость событий.
-Формула полной вероятности.
-Формула Байеса.
Модуль 5 - Понятие числовои? функции, способы задания, область определения, область значении? функции.
-График функции.
-Общие свои?ства функции: промежутки знакопостоянства, монотонность, ограниченность, чётность/нёчетность, периодичность.
-Понятие обратнои? функции.
-Графики прямои? и обратнои? функции.
-Элементарные функции.
-Преобразования графиков функции?: сдвиг вдоль осеи? координат, растяжение и сжатие вдоль осеи? координат, преобразования, связанные с наличием знака модуля у аргумента или функции.
Модуль 6 - Рациональные уравнения.
-Равенство, тождество, уравнение.
-Корень уравнения.
-Равносильные уравнения и неравносильные преобразования при решении уравнении?.
-Расширение и сужение области допустимых значении? уравнения.
-Линеи?ные уравнения.
-Квадратные уравнения.
-Дискриминант.
-Формула для решения квадратных уравнении?.
-Теоремы Виета, прямая и обратная.
Модуль 7 - Алгебраические уравнения и системы уравнении?.
-Иррациональные уравнения, область допустимых значении?.
-Системы уравнении?.
-Совместные и несовместные системы уравнении?.
-Определенные и неопределенные системы уравнении?.
-Системы двух линеи?ных уравнении? с двумя неизвестными.
-Графическии? способ решения.
Модуль 8 - Рациональные неравенства.
-Числовые неравенства, их свои?ства.
-Неравенства с однои? переменнои?, равносильные преобразования неравенств.
-Решение квадратных неравенств, рациональных неравенств.
-Метод интервалов.
-Системы рациональных неравенств.
-Равносильные преобразования систем.
-Совокупность систем неравенств.
Модуль 9 - Алгебраические неравенства.
-Иррациональные неравенства и их системы.
-Область допустимых значении?.
-Неравенства, содержащие знак модуля, и их системы.
-Схемы решения.
Модуль 10 - Производная.
-Уравнение касательнои? к графику функции.
-Правила вычисления производных: производные суммы, разности, произведения и частного двух функции?.
-Таблица производных.
-Производная сложнои? функции.
-Максимумы и минимумы (экстремумы) функции, промежутки возрастания и убывания.
-Исследование функции?.
-Общая схема построения графиков функции?.
-Нахождение наибольшего и наименьшего значении? функции на отрезке.
-Применение производнои? для решения задач.
Модуль 11 - Понятие первообразной.
-Неопределенный и определенный интеграл.
-Техника интегрирования.
Информация о видео
Название: Базовая математика для Data Science
Автор: Вениамин Жиленко, Никита Ларионов
Год выхода: 2021
Жанр: Видеокурс
Язык: Русский
Выпущено: Россия
Продолжительность: ~31 час
Файл
Формат: MP4
Видео: AVC, 1280x720/1920x1080, ~380 Kbps
Аудио: AAC, 128 Kbps, 48.0 KHz
Размер файла: 10.6 Gb
Скачать Базовая математика для Data Science (2021) Видеокурс
|
|
Tweet |
|
Уважаемый посетитель, Вы зашли на сайт как незарегистрированный пользователь.
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.
Процедура регистрации бесплатна и займет у вас всего пару минут!
После регистрации вам станет доступна информация скрытя фразой:
"Внимание! У вас нет прав для просмотра скрытого текста."
Мы рекомендуем Вам зарегистрироваться либо войти на сайт под своим именем.
Процедура регистрации бесплатна и займет у вас всего пару минут!
После регистрации вам станет доступна информация скрытя фразой:
Big Data for Data Science (2021) Видеокурс Вы будете работать с реальными базами данных MySQL и ClickHouse, настраивать работу аналитических пайплайнов в AirFlow, визуализировать результаты в BI системах. |
Data Science и нейронные сети на Python (2020) Видеокурс Вы получите всё необходимое для старта работы в области машинного обучения или для получения более интересных задач. |
Промышленный Machine Learning на больших данных (2020) Видеокурс Вы освоите все необходимые навыки машинного обучения для потоковых данных и распределенной среды. В программу включены необходимые знания из областей Data Science и Data Engineering, которые позволят вам обрабатывать большие данные и писать распределенные алгоритмы на Spark. |
Deep Learning и Нейронные сети (2019) Видеокурс Для обучения вам понадобится знание Python и базовое понимание машинного обучения. Курс предназначен для людей, которые решили углубить свои знания в области Data Science. Курс основан на практике. Фокус и упор мы делаем не на математическом фундаменте, а именно на понимании задач и практическом применении решений. |
Основы работы с большими данными: Data Science Orientation (2017) Видеокурс Этот курс – введение в сложную и многогранную область науки по работе с большими данными – Data Science. |
0