О курсе
Линейная алгебра для Data Science и машинного обучения
📦 С практикой на NumPy
Вы не просто узнаете, что такое матрицы, векторы и собственные значения, но поймёте, зачем они нужны в Data Science и как применять их на практике.
🧠 Чему вы научитесь:
-
Что такое векторы и матрицы, и как с ними работать в
NumPy -
Геометрическая интерпретация: длина, угол, проекция, ортогональность
-
Решение систем линейных уравнений
-
Обратные матрицы и псевдообратные
-
Базисы, ранг, линейная зависимость
-
Скалярное, векторное, матричное произведение
-
Сингулярное разложение (SVD) и его значение в ML
-
Собственные векторы и собственные значения
-
Применение линейной алгебры в:
-
PCA (метод главных компонент)
-
Регрессии
-
Градиентном спуске
-
Рекомендательных системах
-
Работа с изображениями и текстом
-
🛠 Формат:
-
💻 Практика: каждое занятие сопровождается задачами в
NumPy -
📊 Мини-проекты: реализуете аналоги PCA, SVD и линейной регрессии вручную
-
📚 Материалы и шпаргалки по каждой теме
🎯 Для кого курс:
-
Начинающих Data Scientists и аналитиков
-
Python-разработчиков, переходящих в ML
-
Студентов и аспирантов технических направлений
-
Всех, кто хочет понять "математику под капотом" ML