Математика для анализа данных

Основная цель этого онлайн-курса — дать введение в разделы дискретной математики, важные для анализа данных.

Мы начнем с краткого введения в комбинаторику, раздел математики, изучающий подсчеты. Основы комбинаторики критически важны для всех, кто работает в анализе данных или в Computer Science. В качестве примеров использования комбинаторики мы обсудим вопросы о подсчете размера пространства признаков и об оценке времени работы программ на Python. После этого мы используем наши знания в комбинаторике в изучении дискретной вероятности. Вероятностью в области анализа данных пронизано абсолютно все, и мы еще изучим этот раздел математики в одном из следующих курсов гораздо подробнее. В этом курсе в части вероятности наша цель — дать первоначальное знакомство с этой областью, а также дать нам возможность использовать вероятность в следующей части курса. Наконец, в третьей части курса НИУ ВШЭ мы обсудим комбинаторную структуру, наиболее часто встречающуюся в анализе данных — графы. Графы встречаются повсюду, как в анализе данных, так и в обычной жизни, и мы увидим это на разнообразных примерах. Мы дадим необходимые сведения из теории графов, а в конце курса выполним проект, а именно построим несложную рекомендательную систему, основанную на случайных блужданиях в графах.

Основная особенность нашего онлайн-курса — геометрический подход к изложению. В каждом сюжете сначала мы рассказываем идею определения, пусть иногда и нестрого, а уже затем вводим формальное определение. В частности, линейные операторы, собственные векторы и числа появляются до матриц и определителей. Матрицы мы излагаем как способ записи линейного оператора. В силу этой особенности курс может быть интересен и тем, кто уже освоил стандартный вводный курс линейной алгебры.

Основные темы курса: векторные пространства, линейные операторы и их свойства, квадратичные формы, матричные разложения, метод главных компонент. Иногда для решения численных задач мы используем Python. В курсе мы не рассматриваем оптимальные численные реализации методов.

В онлайн-курсе НИУ ВШЭ представлены основные понятия и методы математического анализа, необходимые для работы с данными.

Первая лекция вводная и посвящена обсуждению базовых понятий: функция, ее график, множество уровня и т.д. Следующие пять лекций содержат основы теории пределов и дифференциального исчисления скалярных и векторных функций от одной и нескольких переменных. В частности, в шестой лекции рассматриваются задачи гладкой оптимизации. Последняя, седьмая лекция посвящена интегральному исчислению. Наряду со стандартным материалом в курсе рассмотрены некоторые вычислительные методы и алгоритмы.

Онлайн-курс «Теория вероятностей и ее приложения» входит в специализацию «Математика для анализа данных» от НИУ ВШЭ и не требует предварительных знаний, кроме материала, пройденного ранее в рамках этой специализации.

Программа дистанционного курса рассчитана на желающих заниматься компьютерными науками и насыщена примерами применения теоретического материала на практике. На лекциях будут даны базовые математические инструменты анализа реальных жизненных ситуаций и процессов, которые можно закрепить, выполнив практические задания. В рамках курса будут изучены: – понятия дискретного и непрерывного вероятностного пространства; – независимость, условная вероятность и связанные с ними формулы (в том числе формула полной вероятности, формула Байеса и т. д.); – случайная величина и её свойства; – плотность случайной величины, одномерная и многомерная функция распределения; – условное распределение случайных величин и способы анализа совместного распределения; – математическое ожидание, причем особое внимание будет уделено условному математическому ожиданию; – базовые способы анализа больших отклонений; – дисперсия, ковариация, коэффициент корреляции и их геометрическая интерпретация; – закон больших чисел и центральная предельная теорема. Приоритетом при составлении курса являлось формирование глубокого понимания используемых в анализе данных вероятностных инструментов. Поэтому все понятия будут подробно рассмотрены с разных сторон, обоснованы и тщательно разобраны в решаемых задачах. Большое количество примеров в курсе тоже служит для этой цели — не просто узнать, а научиться использовать изученную технику.