очень крутая школа БигДАТа прислала Программу по математике. ОЧЕНЬ, ОЧЕНЬ крутая школа!)) Рекламы - вагон.
 Пишут, что  /Именно поэтому мы решили создать первый специализированный курс по математике и статистике для Data Science!//



Почитал. Оказалось, что я преподаю раза в два больше и глубже... В Школе "БигДАТа на Патриарших"
++++++++++++++++++++++++++++++++++++++++
= Программа курса
Модуль 1
Линейная алгебра ч.1
Какие задачи Data Science решаются методами линейной алгебры?
Вектор: операции над векторами, линейная зависимость и линейная комбинация, скалярное произведение векторов и его свойства
Виды матриц: прямоугольная, квадратная, единичная, нулевая, диагональная, треугольная, шаровая, симметричная
Операции над матрицами: сложение, вычитание, умножение на число, транспонирование
Умножение на специальные матрицы. Делители нуля
Произведение и обращение матриц
Базис матрицы и ранг матрицы
Вырожденные и невырожденные матрицы. Определитель
Матричные уравнения
Практика: 
— решаем задачи с векторами и матрицами на кейсе агентства недвижимости 
— продолжаем работать над кейсом в Python на базе библиотеки NumPy
Модуль 2
Линейная алгебра ч.2
Знакомимся с алгоритмами анализа данных
Неоднородные системы линейных уравнений (СЛАУ)
Метод наименьших квадратов
Классическая линейная регрессия
Корелляционная матрица
Линейный оператор и собственные числа
Комплексные числа
Матричное и сингулярное разложение
Практика:
— решаем задачи с системами линейных уравнений и образами вектора
— строим линейную регрессию для жилой недвижимости в Бостоне
Модуль 3
Основы матанализа
Понятие функции: функция одной переменной, непрерывность, экстремумы функции
Функция многих переменных. Вектор-функция. Дискретные функции
Понятие выпуклой функции
Производная. Вычисление производных
Матрица вторых производных
Оптимизация функции одной переменной
Практика:
— решаем задачи с функциями и производными 
— предсказываем оптимальный объем продаж товара 
Модуль 4
Методы оптимизации
Задача оптимизации функции нескольких переменных 
Безусловная оптимизация
Условная оптимизация (метод множителей Лагранжа)
Численные методы оптимизации
Локальная и глобальная оптимизация
Детерминированные, стохастические и смешанные методы
Градиентный спуск. Метод Ньютона. Линейная оптимизация
Другие методы оптимизации: метод отжига
Практика:
— решаем задачи оптимизации различными методами
Модуль 5
Основы теории вероятности и статистики ч.1
Задача классификации в Data Science
Теория вероятности
Элементы комбинаторики
Теорема Байеса
Основные распределения и их характеристики
Корреляционные матрицы
Метод главных компонент
Наивный байесовский классификатор
Практика:
— решаем задачи на определение корреляции 
— определяем валидность результатов диагностического теста
— решаем задачу оптимизации по методу главных компонент
Модуль 6
Основы теории вероятности и статистики ч.2
Методы оценивания параметров распределения. Метод моментов
Метод максимального правдоподобия
Оценка апостериориного максимума (MAP)
Логистическая регрессия
Практика:
— решаем задачи на оценивание параметров распределения
— определяем вероятность поступления в выбранный университет 
Модуль 7
Анализ временных рядов
Показатели качества линейной регрессии
Нелинейные паттерны. График остатков
Автокорреляция
Частичная автокорреляция
Лаги, скользящая средняя
Модели авторегрессии
Практика:
— прогнозируем бюджет организации с помощью временных рядов
Модуль 8
Практический модуль
Какие еще математические методы используются в data science?
Нелинейные паттерны
Логарифмирование
Фиктивные переменные
Сложные виды линейной регрессии
Практика: 
— решаем задачи с логарифмами 
— работаем с другими видами линейной регресии