Математика Дата саентиста

🎓 Как в мгновение ока возвести в квадрат любое число, оканчивающееся на «5» Делается это так: первая цифра умножается на туже самую цифру + «1», а в самом конце дописывается «25». Пример №1: • 35² (3 × (3+1)) + «25» в конце (3 × 4) + «25» в конце 1 225 Пример №2: • 95² (9 × (9+1)) + «25» в конце (9 × 10) + «25» в конце 9 025

🎓 Математика для Data Scientist. Книги, курсы, лекции и рекомендации. Математика — это краеугольный камень Data Science. Хотя некоторые теоремы, аксиомы и формулы кажутся слишком абстрактными и далекими от практики, на самом деле без них невозможно по-настоящему глубоко анализировать и систематизировать огромные массивы данных. Для специалиста Data Science важны следующие направления математики: - статистика; - теория вероятностей; - математический анализ; - линейная алгебра. 💨 Читать дальше @data_math

📊 Курс про основы Julia для применения в Data Science проектах Язык Julia создан математиками для математиков, он действительно прост, красив и элегантен, но при этом очень быстр. За последние годы, язык созданный в 2009 году сильно окреп, оброс серьезной экосистемой и стал действительно привлекать внимание специалистов в области анализ данных. Именно поэтому мы решились сделать курс про основы Julia для применения в Data Science проектах. 🖥 Github ✔️ Плейлист на YouTube ➡️ Инструкция @data_math

🖥 Математическая модель предсказала лидера ЧМ по футболу в 2022 году Математическая модель учитывает данные прошлых лет и показатели сборных. Дисклеймер: не используйте модель для ставок на спорт, ради бога! Это всего лишь математика, развлечение для гиков, а не оракул, которому можно безусловно доверять. Реальность куда более непредсказуема, поэтому поберегите свои деньги. ❤️ Читать @data_math

⭐️ Почему точные модели не всегда полезны Для начала позволю себе заметить, что в интернете есть много качественного технического контента, посвященного оцениванию моделей. Такие метрики, как F1-score (гармоническое среднее), MSE (средняя квадратическая ошибка), MAE (среднее абсолютное отклонение), Huber Loss (функция потерь Хьюбера), precision (точность), recall (полнота), cross-entropy loss (потери перекрестной энтропии) и многие другие, детально описаны на различных платформах. Однако эти метрики обычно фокусируются на подгонке модели к данным, а не на оптимизации ее для конкретного бизнеса. Чего зачастую не хватает, так это инструментов экономического анализа для оптимизации полезности модели. Полезность определяется просто как удовольствие или ценность, которые клиент может получить от услуги  —  в данном случае от модели МО. Хотя эта концепция не преподается будущим специалистам МО, я уверен: экономический анализ и оценка полезности имеют большое значение для создания практичных и долговечных моделей в реальном мире. Пока все заинтересованные стороны (технические и нетехнические работники) совместно не создадут экономический слой МО-модели, бизнес-ценность и предельную полезность машинного обучения можно считать неопределенными. Примечание. Эта публикация предназначена для технических МО-специалистов, а также для менеджеров по продуктам и менее технически подготовленных заинтересованных лиц, работающих с ИИ-продуктами. Здесь будет немного математики, но в заключительный раздел включены высокоэффективные концептуальные шаги. ➡️ Читать дальше @data_math

✔️ Подборка бесплатных курсов для Data Scientist'ов. Если не знаешь с чего начать изучение Data Science, не знаешь в какую сторону двигаться или как улучшить свои навыки и нет желания отдавать большие деньги за курсы, которые непонятно что дадут — эта подборка для тебя. Курсы упорядочены по степени необходимости, начиная с базовых знаний, без которых будет тяжело даваться дальнейшее изучение (линейная алгебра, статистика, базовое знание python и т.д.), переходя к более сложным. Оставил только самые ценные, на мой взгляд, курсы. Структура курсов: - Линейная алгебра и дискретная математика. - Статистика и теория вероятностей. - Python, SQL, R. - Машинное обучение. - Алгоритмы и структуры данных. - Нейронные сети и Deep learning. ➡️ Читать дальше @data_math

🖥 Как изучить математику для машинного обучения и анализа данных? Подборка книг для любого уровня Если вы хотите всерьез заняться машинным обучением и анализом данных, без математики вам точно не обойтись. Но какие именно разделы вам понадобятся и как подступиться к ним, не имея опыта? Мы попросили Леонида Иосипоя, академического руководителя Центра непрерывного образования ФКН ВШЭ, составить список книг, которые помогут изучить математику с любым уровнем подготовки. ➡️ Читать дальше @data_math

🌏 Использование Redis для работы с геоданными Работа с геопространственными данными заведомо сложная задача, хотя бы потому что широта и долгота это числа с плавающей запятой и они должны быть очень высокоточными. К тому же, казалось бы, широта и долгота могут быть представлены в виде сетки, но на самом деле нет, не могут, просто потому что Земля не плоская, а математика - это сложная наука. ➡️ Читать дальше ↪️ Redis for Geospatial Data whitepaper ⚙️ Запуск Redis в Google Colab Python @data_math

🔥 9 бесплатных курсов Гарварда для изучения науки о данных в 2022 году Читать @data_math

Основная математика для науки о данных https://www.kdnuggets.com/2022/06/essential-math-data-science-eigenvectors-application-pca.html @data_analysis_ml

📊 В Data Science не нужна математика (Почти) Ребята с «вышкой» всё время умничают, что в Data Science нужна «математика», но стоит копнуть глубже, оказывается, что это не математика, а вышмат. В реальной повседневной работе Data Scientist'а я каждый день использую знания математики. Притом очень часто это далеко не «вышмат». Никакие интегралы не считаю, детерминанты матриц не ищу, а нужные хитрые формулы и алгоритмы мне оперативнее просто загуглить. Решил накидать чек-лист из простых математических приёмов, без понимания которых — тебе точно будет сложно в DS. Если ты только начинаешь карьеру в DS, то тебе будет особенно полезно. Мощь вышмата не принижаю, но для старта всё сильно проще, чем кажется. Важно прочитать до конца!  Читать дальше @data_math