Всем привет! Помогите, пожалуйста, сориентироваться с закладкой фундамента в виде мат. самообразования на пути к Data Science.
Входные данные: уверенная пятерка по алгебре с геометрией в сильном мат. классе в школе (13 лет назад), такая же уверенная пятерка по всем предметам, связанным с математикой, на первых двух курсах экономического вуза (10 лет назад). После учебы практически никакого контакта с математикой не было.
Задача: освежить в памяти и подтянуть все, что не хватает, для хорошей математической базы для дальнейшего углубления в Data Science. А главное, определиться, с чего начать.
Вот такая специализация на курсере
https://www.coursera.org/specializations/mathematics-for-data-science подойдет как общий обзор с дальнейшим углублением в некоторые темы? Или начинать с линейной алгебры, например, здесь:
https://stepik.org/course/2461/promo?
13 и 10 лет назад это уже забей)) В общем, повторите основы линейной алгебры, умножения матричек, собственные числа и векторы, обратная матрица, в общем, без фанатизма. Статистика и тв - вероятность, матожидание, дисперсия, ковариация, плотность, распределение, квантиль, доверительный интервал, п-уровень, проверки гипотез, основные распределения. Вместе со статистикой в какой-то мере повторятся интегралы. Надо знать, что такое норма, но вам понадобится только модуль и эвклидова(длина вектора). Но вдруг будете свою норму придумывать под задачу, так что лучше знать точно, что это такое. Еще повторите, что такое метрика.
Вообще понятие "хороша база для ДС" - это так себе. База в общем для всего, либо хорошая, либо нет. Быстро только сами знаете, что бывает. А у вас цель должна быть побыстрее выйти на работу, что б начать получать бесценный опыт. Так что на описанное выше можно потратить времени по минимуму, погугливая на ходу. Учиться по каким-то мехматовским учебникам не стоит, хотя, если вы захотите таки углубиться, рано или поздно к ним и придете. А если не захотите, то рано или поздно упретесь в свой потолок, потому как, в общем, есть много теории, разные бумаги, где математика тяжелая: всякие существенные супремумы, многообразия, хитрые пространства и все такое, и прочтение требует какого-то уровня.
