Кому подходит
- Тем, кто работает с ML или идет в него и понимает, что без математики дальше будет потолок.
- Специалистам, которым не хватает базы для осознанной работы с моделями.
- Тем, кто потом хочет перейти в ML-менторство.
Математика для машинного обучения
Это математика для машинного обучения и ML: теория вероятностей, статистика для машинного обучения, линейная алгебра и математический анализ.
Какой уровень нужен на входе
- Хороший стартовый кейс — технический бэкграунд и остатки университетской математики.
- Не обязательно помнить все темы сразу. Важнее, чтобы базу можно было быстро восстановить.
- Если пробелов много, работа тоже возможна, но путь будет длиннее.
Что входит в математику для машинного обучения
Нужны не всегда все темы сразу. Кому-то важнее статистика для машинного обучения, кому-то теорвер и линал. Набор и глубина зависят от вашей базы и задачи.
- Статистика для машинного обучения.
- Теория вероятностей для машинного обучения.
- Линейная алгебра.
- Математический анализ.
- Случайные процессы.
Что это дает
- Математика перестает быть слабым местом в ML.
- Работа с ML перестает сводиться к набору готовых рецептов.
- Для многих этот трек становится входом в ML-менторство.
- Становится проще читать статьи и понимать, что делает модель.
Как идет работа
- Сначала смотрим, что уже есть в базе и какая цель у этой работы.
- Я подбираю материалы и домашние задания под вашу задачу.
- Объем и набор тем зависят от цели: кому-то нужна статистика для машинного обучения, а кому-то теорвер, линал, матан или случайные процессы.
- Самостоятельная работа между встречами обязательна.
Если цель — конкретный отбор, этот трек часто идет как база перед ML-собеседованием.
Типичный формат
Обычно это регулярная работа циклами по 2 недели. Чаще всего — одна или две встречи в неделю. Типичный сценарий здесь — цикл с сопровождением.
Подробно о форматах и ценах — на странице Цены.