Dev & Data Science

Linear Algebra

Інтенсивний курс з прикладної лінійної алгебри для роботи з Data Science та Machine Learning.

Про курс

Математика є основою всіх прикладних наук, а фундаментом багатьох комп'ютерних наук, включаючи Data Science, Computer Vision і NLP, є лінійна алгебра. На жаль, саме цей предмет часто викладають з великим відривом від прикладних задач.



Ми створили 3-місячний курс, щоб допомогти освіжити основні поняття лінійної алгебри. А також на реальних прикладах побачити, як вони працюють у різноманітних сучасних додатках та алгоритмах.



Загалом пройдемо 10 тематичних блоків. Кожен з них складається з 5-6 відео, прикладів застосування матеріалу для розв'язання практичних задач і домашніх завдань. Саме самостійна робота над цими завданнями дозволить зрозуміти матеріал та навчитися знаходити ефективні рішення проблем, які постійно зустрічаються на практиці.

 Кожен блок завершується вебінаром, де разом з куратором розглянемо найскладніші завдання попереднього тижня й отримаємо відповіді на свої запитання.



Наприкінці навчання впродовж трьох тижнів ви виконаєте курсовий проєкт, над яким працюватимете самостійно, застосовуючи здобуті під час курсу знання. Завданням буде побудова предиктивної моделі на основі даних.

3 лютого курс триває 3 місяці
6 500 грн/міс. 19 500 грн при повній оплаті курсу
6 825 грн/міс. при оплаті частинами
25 місць кожен студент отримує регулярний фідбек від куратора групи

Куратор

Ян Цибулькін

VP Data Science WorkOrder та сo-founder Bldbox, Cloudozer, Symica.

Програма курсу

Vectors

— Vector space.
— Geometric properties.
— Line equation.
— The basis.
— Plane equation I.

Normed Vector Spaces

— Vector length.
— Different distance metrics.
— Vector similarity, clustering. K-Means.
— K-nearest neighbors (KNN) for classification and regression.

Inner product space

— Dot product.
— Vector projection on the line.
— Plane equation II.

Hyperplanes

— Hyperplane equation.
— Support vector machines.
— Kernel trick.

Matrices

— Matrix operations.
— Matrix as a function.
— Inverse matrix.
— Solving linear equations.
— Matrix rank.
— Singular matrix.

Orthogonal Transformations

— Rotation matrix and its properties.
— Reflection matrix and its properties.
— Translation.

Affine and projective transformation

— Properties of affine transformation.
— Changing reference frame.
— Projecting vectors on to subspaces.
— Projection matrix and its properties.

Linear regression

— Solving overdetermined system of linear equations.
— Pseudo-inverse matrix.
— Linear regression and projection transformation.

Singular value decomposition

— Matrix factorization with SVD.
— Principal component analysis (PCA) with SVD.
— Dimensionality reduction.
— Applications.

3D → 2D

— 3D graphics algebra.
— Camera pin-hole model and intrinsic matrix.
— Euler angles and extrinsic matrix.
— Augmented reality (AR).

Capstone project

Building a predictive model.

Як відбувається навчання

Вебінари та відеолекції

Вебінари з куратором і групою проходитимуть щосереди о 19:30, а відеолекції відкриватимуться щоп’ятниці.

Real-life завдання

У нас діє Practicult — культ практики. Тому ви виконуватимете багато складної домашки з реальних робочих буднів. Have fun & survive.

Регулярний фідбек

У нас немає базових і преміум режимів. Тільки преміум, завжди. Отримайте від куратора все. І так, десята ітерація — це нормально.

Сертифікат за здобутки

Видаємо лише тим, хто своїм потом, часом і силами його заслужив.

ГРАФІК

Старт

3 лютого 2023

Відеолекції

щоп’ятниці

Вебінари

щосереди о 19:30

Мова викладання

українська

Курс для вас, якщо ви

Програміст

бажаєте заповнити прогалини у знаннях і підтягнути математику

Розробник-початківець

хочете отримати міцний фундамент для вивчення Data Science та Machine Learning

Навички

Впевнене володіння математикою на шкільному рівні. Знання мов програмування не обов'язкове.

Англійська

Intermediate. Усі матеріали курсу будуть англійською.

Дізнайтеся більше

Лекція Яна Цибулькіна Використання алгебраїчних методів для пошуку векторних об'єктів
Великі дані, обробка мови, 3D. Як і де використовується лінійна алгебра в Data Science
За кафедрою Олександр Руппельт: як будують лінійку Data Science в Projector

Запитання

Як відбувається комунікація на курсі та в якому форматі куратор дає фідбек?

Уся комунікація на курсі відбуватиметься через платформу Slack (робочий чат групи, канали для домашніх завдань і корисних посилань). Куратор надає фідбек у вигляді коментарів до домашніх завдань та обговорення на вебінарах.

Вебінари будуть записуватись?

Ми щоразу робимо запис, але краще виділіть час, щоб долучитися до онлайн зустрічі — обговорити питання з одногрупниками та проконсультуватися з куратором.

Чи можна дивитися заняття у будь-який зручний день?

Можна, але важливо встигати виконувати домашні завдання, які ви отримуватимете після кожного заняття.

Чи отримаю я сертифікат після проходження курсу?

Так, за умови виконання домашніх завдань.

Що, як мені не сподобається?

Ми зможемо повернути вам кошти протягом 7 днів від дати старту курсу, якщо ви передумаєте.

Реєстрація

Ще маєте запитання?
Не соромтесь їх ставити.

Проконсультуйте мене