Skip to content

Latest commit

 

History

History
 
 

1-mathematics-and-python

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
assignment_2
assignment_2
 
 
assignment_3
assignment_3
 
 
assignment_4
assignment_4
 
 
week_1
week_1
 
 
week_2
week_2
 
 
week_3
week_3
 
 
week_4
week_4
 
 
README.md
README.md
 
 
recommendations.pdf
recommendations.pdf
 
 

README.md

Математика и Python для анализа данных

Первый курс из специализации Машинное обучение и анализ данных от МФТИ и Yandex Data Factory.

Содержание:

  1. Введение
  2. Библиотеки Python и линейная алгебра
  3. Оптимизация и матричные разложения
  4. Случайность

Список литературы от преподавателей курса

Мы составили для вас список наших любимых учебников по темам, рассматривавшимся в этом курсе, с короткими комментариями.

Скачать список в формате 📒 PDF

Линейная алгебра

Виктор Кантор:

  • Ильин, Ким. Линейная алгебра и аналитическая геометрия (1998) — МГУ.
  • Умнов. Аналитическая геометрия и линейная алгебра (2011) — МФТИ.

Евгений Рябенко:

  • Деммель. Вычислительная линейная алгебра. Теория и приложения (2001) — понятный кусок про матричные разложения.

Математический анализ

Виктор Кантор:

  • Ильин, Позняк, Основы математического анализа (2005) — МГУ.
  • Тер-Крикоров, Шабунин. Курс математического анализа (2001) — МФТИ, много примеров.
  • Иванов. Лекции по математическому анализу (2000) — МФТИ, очень короткое, но полное изложение.

Методы оптимизации

Евгений Рябенко:

  • Нестеров. Методы выпуклой оптимизации (2010) — математически строгое введение в оптимизацию от живого классика.
  • Boyd, Vandenberghe. Convex Optimization (2004) — идеальная книга по классической оптимизации, много интересных постановок задач.
  • Schneider, Kirkpatrick. Stochastic Optimization (2006) — стохастическая оптимизация во всём многообразии.

Теория вероятностей и статистика

Евгений Соколов:

  • Dekking, Kraaikamp, Lopuhaa, Meester. A Modern Introduction to Probability and Statistics, Understanding Why and How (2005) — доступная книга, описывающая базовые понятия, теоремы и методы; разбирается очень много примеров, тесно связанных с задачами машинного обучения и анализа данных.

Виктор Кантор:

  • Лагутин. Наглядная математическая статистика (2007) — в основном статистика, но есть и небольшое введение в теорию вероятностей. Стоит читать, кроме глав про классификацию и анализ данных, там изложение не слишком современно.
  • Чжун, АитСахлиа. Элементарный курс теории вероятностей. Стохастические процессы и финансовая математика (2007) — очень простое изложение.
  • Отличные лекции с мехмата Новосибирского Государственного Университета:

Евгений Рябенко:

  • Diez, Barr, Çetinkaya-Rundel, Dorazio. Advanced High School Statistics (2015) — вводная книга, программа соответствует типичному курсу Statistics 101 хорошего западного университета.
  • DasGupta. Probability for Statistics and Machine Learning: Fundamentals and Advanced Topics (2011) — для смелого читателя, рассматриваются в том числе достаточно высокоуровневые методы.

Python

Эмели Драль:

  • Классические руководства по Python: (2.7, 3.5)
  • Reitz. The Hitchhiker’s Guide to Python (link) — довольно полное руководство, в котором рассматриваются вопросы от установки, работы с виртуальным окружением и работы в различных IDE до основных структур языка с примерами кода.
  • Google python class (link) — небольшой бесплатный онлайн-курс по Python для слушателей с минимальным опытом программирования.

Книги для тех, кому захочется основательно изучить Python:

  • Lutz. Learning Python (2013) — с этой книги можно начинать изучение, она покрывает все основные структуры языка.
  • Lutz. Python Pocket Reference (2015) — подробный справочник.

Обе эти книги переведены на русский.