(русскоязычную версию этого поста можно прочитать в моем Telegram-канале здесь)
Этим летом я заинтересовался наукой о данных, особенно машинным обучением (ML). В этой сфере достаточно высокая планка входа и требования к младшим специалистам растут с каждым годом. Чтобы стать профессионалом в области машинного обучения, вам необходимо хорошо знать математику, особенно:
- Исчисление
- Линейная алгебра
- Вероятность
- Статистика
В этом посте я собрал ресурсы по математике, которые помогли мне освоить математические основы. Все они на английском языке, но некоторые из них имеют перевод на русский язык. (Примечание: я не профессиональный специалист по данным, а всего лишь новичок, который хотел поделиться некоторыми ресурсами, которые могут быть полезны другим новичкам, таким как я.)
1. Расчет
MIT OCW Расчет одной переменной
Многомерное исчисление MIT OCW
Single Variable and Multivariable Calculus by MIT OCW — это курсы с видеолекциями, литературой, заданиями и викторинами, которые проходили первокурсники MIT еще в 2006 и 2007 годах. Подходит для тех, кто начинает изучать исчисление с нуля. Мне очень понравилось, что преподаватели стараются донести смысл исчисления и где оно применяется, а не просто перечисляет формулы на доске. Я не смотрела курсы полностью, потому что эти темы я проходила в колледже, но все же могла найти для себя что-то новое.
2. Линейная алгебра
Суть линейной алгебры от 3blue1brown
Первый ресурс — плейлист YouTube, где автор с помощью красивых визуализаций показывает смысл операций линейной алгебры в пространстве. Этот плейлист будет полезен даже тем, кто уже знаком с этими темами, так как видео заставят взглянуть на линейную алгебру с другой точки зрения. Видео имеют субтитры и перевод на русский язык.
Второй ресурс снова от MIT OCW. Лектор – Гилберт Стрэнг, автор «Введения в линейную алгебру» (основной учебник этого курса). Он очень крутой лектор, советую сначала посмотреть его видео, потом прочитать соответствующие главы в его учебнике, и решить задачи в конце глав.
3. Вероятность
Введение в вероятность (версия MIT OCW | версия edX: архив и актуальная страница)
Это курс по теории вероятностей, который преподается в Массачусетском технологическом институте уже 50 лет. Первая версия — это лекции и декламации в том виде, в каком ее преподавал Джон Цициклис в MIT в 2010 году. Вторая версия — это ее формат в edX, темы разбиты на несколько небольших видео, с разбором задач и викторинами. Для edX я оставил 2 ссылки — на заархивированную версию, где можно пройти все бесплатно, и на актуальную, где курс стартует в январе 2022 года и его будут вести сами авторы курса.
«Стоит ли мне брать версию MIT OCW или edX?» Содержание одинаковое, предлагаю попробовать оба варианта и выбрать наиболее удобный для вас формат.
4. Статистика
Статистика и вероятность (Академия Хана)
Статистика MIT OCW для приложений (все уже догадались, что я фанат MIT, да?)
Первый — это комплексный курс фундаментальной статистики (с теорией вероятностей в начале). Что мне больше всего понравилось, так это то, что Хан объясняет все на конкретных примерах, графиках и симуляциях. Курс охватывает тесты z, t, хи-квадрат и ANOVA. Некоторые задачи похожи на задачи Data Analytics (этот курс помог мне подготовиться к Analytics Interview, прочитать о котором можно здесь).
Второй — хорошее продолжение вероятностного курса MIT OCW. В этом курсе вы охватите регрессии, PCA, линейные модели и многое другое — все эти темы вы встретите в ML. Этот курс немного сложнее первого, так что вы можете пройти его после видео Хана.
Все видеолекции сопровождаются учебником курса. Вы также можете найти наборы задач для каждого класса.
Я надеюсь, что это был полезный обзор. Если у вас есть, что добавить, пишите в комментариях, возможно получится собрать пост с вашими рекомендациями.
