Всем салем, на связи админ. Этим летом меня заинтересовала сф | IT community of SDU
Всем салем, на связи админ.
Этим летом меня заинтересовала сфера Data Science, а конкретно Machine learning (далее МЛ). Это не простая профессия и у нее достаточно высокий порог входа, а требования к джунам с каждым годом растут. Для входа в МЛ необходимо иметь сильный бэкграунд в математике, а конкретно:
1.Calculus
2.Linear Algebra
3.Probability
4.Statistics
В этом посте я собрала все те ресурсы, которыми успела воспользоваться и дам им оценку.
Сразу предупрежу, что они все на английском, и не у всех из них есть перевод на русский.
1. Calculus
MIT OCW Singlevariable Calculus
MIT OCW Multivariable Calculus
Сразу вставлю ремарку, что у меня была уже база в калкулусе и возможно этот блок будет не слишком объективным для тех, кто будет учить калкулус с нуля.
Singlevariable и Multivariable Calculus от MIT являются курсами с видео лекциями, задачами и куизами, которые проходили первокурсники MIT в далеких 2006 и 2007 годах. Не смотря на время, лекции все еще актуальны. Подойдет для тех, кто начинает учить калкулус с нуля. Мне очень понравилось, что преподаватели именно стараются передать смысл калкулуса и где он применяется, а не занимаются перечислением формул у доски. Я не смотрела курсы полностью, т.к., повторюсь, база уже была, и смотрела только те темы, которые либо забыла, либо не проходила ранее.
2. Linear Algebra
Essense of Linear Algebra by 3blue1brown (YouTube playlist)
MIT OCW Introduction to Linear Algebra
К сожалению, программа моего 1 курса покрывала лишь то, что в MIT проходят за первые 4 недели, а для МЛ этого не достаточно.
Первый ресурс - ютуб плейлист, там с красивыми визуализациями наглядно показывают смысл линейной алгебры. Плейлист будет полезен даже тем, кто уже знаком с этими темами, ибо заставляет взглянуть (в буквальном смысле взглянуть, ибо вИзУаЛиЗаЦии же) с другой стороны. Есть перевод и субтитры на русском.
Второй ресурс опять от MIT, с видео лекциями, ассайнментами и куизами. Лектор - Гилберт Стрэнг, автор одноименного учебника. Очень классный лектор, советую сначала смотреть его видео, потом читать соответствующие главы в его учебнике и прорешивать задачи в конце глав.
3. Probability
Introduction to Probability (университетская версия | edX версия архивная и актуальная)
Это курс по Probability, который преподается в МИТ уже 50 лет. Первая версия - лекции и домашки в том виде, в каком его преподавал сам автор курса в MIT в 2010. Вторая версия - его формат в edX (аналог Курсеры), темы поделены на несколько маленьких видео, с разборами задач и домашками. У edX версии я оставила 2 ссылки - на архив, где можно сейчас бесплатно все пройти, и на актуальную страницу, где курс стартует в январе 2022 и будет вестись самими авторами курса.
Какую версию взять: классическую или edX? Контент - одинаковый, предлагаю попробовать оба варианта и выбрать тот формат, который вам более удобен и привычен.
(P.S. у лектора забавный акцент, и лучше смотреть в ускоренном режиме, ибо слишком долгие паузы)
4. MIT OCW Statistics (уже все поняли, что я фанат MIT, да?)
Честно скажу, что до него руки еще не дошли, но мне понравилась вступительная лекция и силлабус (регрессии, PCA, линейные модели - как раз то, что надо для МЛ)
Логичное продолжение курса по Probability.
Во всех ресурсах помимо видео также указаны названия учебников, по которым читаются лекции. Там же можно найти задачи на закрепление.
Надеюсь, это был полезный обзор. Если вам есть что добавить, пишите в комментариях, может быть получится собрать пост уже с вашими рекомендациями.
