Линейная алгебра, математический анализ, вероятность — на уровне интуиции и чтения формул.
Data scientist не доказывает теоремы, но должен понимать, что делает модель: почему градиентный спуск сходится или расходится, откуда в логистической регрессии вероятность, что такое главные компоненты, как устроена функция потерь. Без этого модели превращаются в чёрные ящики, а ошибки — в загадки.
Лучший способ освоить — вместе с практикой: реализовать линейную регрессию и градиентный спуск на NumPy без библиотек машинного обучения.
Векторы и матрицы, скалярное произведение, умножение матриц, собственные векторы и SVD.
Производные, градиент, цепное правило и градиентный спуск.
Случайные величины, распределения, условная вероятность и теорема Байеса.
Три опоры: линейная алгебра — данные это матрицы, модель — умножение матриц, эмбеддинги — векторы, сходство — скалярное произведение; математический анализ — градиент показывает, куда менять параметры, обучение — градиентный спуск; вероятность и статистика …
Полный разборПосле собеседования sotto разбирает разговор: оценка, каждый вопрос — хорошо, частично или слабо, чего не хватило в ответе и над чем поработать к следующему разу. Первые 30 минут бесплатно.