Базовая математическая подготовка для Data Science

Прежде чем читать курс Основы машинного обучения и извлечения признаков, необходима базовая мат.подготовка.

ЗАМЕЧАНИЕ: нет времени вести все предметы в академическом ключе. Даются основы и многие вещи объясняются "на пальцах" с целью экономии времени.

В дальнейшем, при вхождении в профессию DSIS необходимо самостоятельно подтянуть знания по основам математики.

Темы

Курс состоит из четырёх частей.

Комбинаторика.

Темы:

1. Перечислительные правила: правило суммы, правило произведения
2. Комбинаторные схемы: упорядоченная выборка без возвращения, упорядоченная выборка с возвращением
3. Комбинаторные схемы: сочетание, сочетание с повторением
4. Введение в теорию графов
5. Проклятье размерности в Data Science

Теория вероятности.

Темы:

1. Априорная и апостериорная вероятности
2. Дискретная и непрерывная вероятности
3. Многомерные распределения
4. Условная вероятность. Зависимые и независимые случайные величины.
5. Формула Байеса
6. Парадокс Юла-Симпсона (парадокс объединения).
7. Центральная Предельная Теорема
8. Проблемы теории вероятности в Data Science

Математическая статистика.

Темы:

1. Математическое ожидание, мода, медиана, квантили.
2. Дисперсия, моменты.
3. Корректный расчет статистических вероятностей, нюансы DSIS
4. Метод Монте-Карло
5. Статистические манипуляции в Data Science

Алгоритмы и структуры данных.

Темы:

1. Ссылочные типы данных. Элементарные структуры данных
2. Сложность алгоритма (O(n), O(log n) и т.д. ) Простые алгоритмы поиска, сортировки.
3. графы, деревья.
4. Введение в базы данных: строчно-ориентированные, колоночно-ориентированные, key-value, кольцо Cassandra.
5. Введение в P, NP и NP-complite задачи. Теория & практика на примере: задача коммивояжера & алгоритм Литтла.
6. алгоритмические подходы в Data Science

Литература

Главное свойство речи, включая речь письменную - это адекватность.

Можно конечно накидать вам "правильной" академической литературы, которую вы с 99% вероятностью читать не будите.

Вам нужно максимально быстро войти в профессию, получить рабочее место по специальности, а уже потом "наращивать мясо" академическими книгами.

Поэтому мы выдаём скорее методические пособия, но правильно структурированные и адекватно написанные.

Их тоже будет не просто освоить, но объём их небольшой и доступный для каждого студента технического ВУЗ-а.

Разумно завести по тетрадке и конспектировать в процессе прочтения. Так же можно создать "мини-клубы" по каждой из данных пособий и время от времени созваниваться с товарищами.

Основной список:

1. А.Е. Жуков, Д.А. Жуков "Элементы комбинаторики", 2014
2. А. Шень "Вероятность: примеры и задачи", 2016
3. ... (статистика)
4. ... (алгоритмы и структуры данных)