Stepik О курсе
Подробнее
Курс будет полезен абсолютно всем, кто начинает свой путь в IT и особенно в сфере искусственного интеллекта. Курс закрывает пробелы в необходимых знаниях для следующих специальностей: аналитик, data scientist, ИИ-разработчик и будущий исследователь данных.
Курс организован командой магистерской программы "Искусственный интеллект" факультета компьютерных наук ВШЭ.
Требования
Что нужно для старта
- Знание математики на уровне школьной программы и желание учиться!
Результат
Что вы получите
- Научитесь решать задачи по ключевым для анализа данных разделам высшей математики: математическому анализу, линейной алгебре, дискретной математике, комбинаторике, теории вероятностей
- Освоите основы языка Python и получите практику решения задач на Python
- Освоите основы аналитики и машинного обучения
- Познакомитесь с ключевыми инструментами разработчика: Git, Bash и Docker
Аудитория
Для кого этот курс
- Этот курс для Вас, если Вы хотите разобраться в основах высшей математики (математический анализ, дискретная математика, линейная алгебра, комбинаторика, основы теории вероятностей), научиться программировать на языке Python, разобраться с ключевыми инструментами IT и AI-разработчика (Git, Bash и Docker), а также познакомиться с аналитикой и основами современного машинного обучения.
- Курс также будет интересен абитуриентам различных программ, где при поступлении ожидается знание высшей математики и языка программирования Python.
Содержание
17 занятийПрограмма курса
№ТемаЧто внутри
01О курсе
- О курсе
- Входное тестирование
02Часть 1. Знакомство с Python
- Язык Python
- Переменные и арифметические действия
- Типы данных
- Условный оператор
- Циклы
- Домашнее задание
03Часть 1. Основы Python
- Списки
- Функции
- Строки
04Часть 1. Азы аналитики
- Меры центральной тенденции
- Меры изменчивости и распределение данных
- Зависимости в данных. Корреляция
- Домашнее задание
05Часть 1. Знакомство с машинным обучением
- Введение
- Основные понятия машинного обучения
- Типы задач в машинном обучении
- Схема проекта по машинному обучению
- Оценка обобщающей способности модели
- Разведочный анализ данных
- Домашнее задание
06Часть 1. Основы математики для Data Science
- Множества и операции над ними
- Формулы включений-исключений
- Логарифмы
07Часть 1. Математический анализ
- Пределы функций
- Пределы: ряд Тейлора
- Пределы функций (задания*)
- Производные
- Производные (задания *)
- Правило Лопиталя
- Предел последовательности
- Предел последовательности (задания*)
- Неопределенный интеграл
- Определенный интеграл
- Определенный интеграл - дополнительные задачи
- Ряды
- Дополнительные задания для тренировки
08Часть 1. Линейная алгебра
- Линейная зависимость и независимость векторов. Базис
- Дополнительные задачи
- Линейные пространства и подпространства
- Матрицы и матричные операции. Определитель. Обратная матрица
- Эквивалентные преобразования, метод Гаусса, обратные матрицы
- Матричные уравнения, собственные векторы и значения
- Дополнительные задания
09Часть 1. Дискретная математика
- Правила сложения и умножения
- Размещения и перестановки
- Сочетания
- Биномиальные коэффициенты
- Задания
- Задания *
10Часть 1. Основы теории вероятностей
- Условная и полная вероятности. Формула Байеса
- Схема Бернулли и биномиальное распределение
- Дискретная и непрерывная случайные величины
- Дополнительные задания
11Часть 1. Тренажер к экзамену
- Демонстрационный вариант 1 (5 баллов)
- Демонстрационный вариант 1 (10 баллов)
- Демонстрационный вариант 2 (5 баллов)
- Демонстрационный вариант 2 (10 баллов)
- Демонстрационная задача на анализ данных
12Часть 2. Погружение в Python
- Списки
- Кортежи
- Множества
- Словари
- Домашнее задание
13Часть 2. Основы работы с CLI
- Вступление и навигация по системе
- Работа с файлами
- Конвейер и перенаправление
- Дополнительные возможности терминала
14Часть 2. Знакомимся с Git
- Зачем нужен Git и как он устроен?
- Настройка и базовое использование
- Работа с удалённым репозиторием
- Ветки и слияние
15Часть 2. Введение в SQL
- Введение
- Основы выборки
- Агрегация и группировка
- Объединение таблиц и подзапросы
16Бонус: создание MVP!
- Часть 1: Аналитика
- Начало работы с Streamlit
- Погружение в Streamlit
- Часть 2: Создание MVP
17Бонус: дополнительные материалы и записи вебинаров
- Записи вебинаров по подготовке июнь-июль 2026
- Записи вебинаров по подготовке август 2026
- Дополнительная практика по машинному обучению
- Дополнительные вебинары по темам курса
01О курсе
- О курсе
- Входное тестирование
02Часть 1. Знакомство с Python
- Язык Python
- Переменные и арифметические действия
- Типы данных
- Условный оператор
- Циклы
- Домашнее задание
03Часть 1. Основы Python
- Списки
- Функции
- Строки
04Часть 1. Азы аналитики
- Меры центральной тенденции
- Меры изменчивости и распределение данных
- Зависимости в данных. Корреляция
- Домашнее задание
05Часть 1. Знакомство с машинным обучением
- Введение
- Основные понятия машинного обучения
- Типы задач в машинном обучении
- Схема проекта по машинному обучению
- Оценка обобщающей способности модели
- Разведочный анализ данных
- Домашнее задание
06Часть 1. Основы математики для Data Science
- Множества и операции над ними
- Формулы включений-исключений
- Логарифмы
07Часть 1. Математический анализ
- Пределы функций
- Пределы: ряд Тейлора
- Пределы функций (задания*)
- Производные
- Производные (задания *)
- Правило Лопиталя
- Предел последовательности
- Предел последовательности (задания*)
- Неопределенный интеграл
- Определенный интеграл
- Определенный интеграл - дополнительные задачи
- Ряды
- Дополнительные задания для тренировки
08Часть 1. Линейная алгебра
- Линейная зависимость и независимость векторов. Базис
- Дополнительные задачи
- Линейные пространства и подпространства
- Матрицы и матричные операции. Определитель. Обратная матрица
- Эквивалентные преобразования, метод Гаусса, обратные матрицы
- Матричные уравнения, собственные векторы и значения
- Дополнительные задания
09Часть 1. Дискретная математика
- Правила сложения и умножения
- Размещения и перестановки
- Сочетания
- Биномиальные коэффициенты
- Задания
- Задания *
10Часть 1. Основы теории вероятностей
- Условная и полная вероятности. Формула Байеса
- Схема Бернулли и биномиальное распределение
- Дискретная и непрерывная случайные величины
- Дополнительные задания
11Часть 1. Тренажер к экзамену
- Демонстрационный вариант 1 (5 баллов)
- Демонстрационный вариант 1 (10 баллов)
- Демонстрационный вариант 2 (5 баллов)
- Демонстрационный вариант 2 (10 баллов)
- Демонстрационная задача на анализ данных
12Часть 2. Погружение в Python
- Списки
- Кортежи
- Множества
- Словари
- Домашнее задание
13Часть 2. Основы работы с CLI
- Вступление и навигация по системе
- Работа с файлами
- Конвейер и перенаправление
- Дополнительные возможности терминала
14Часть 2. Знакомимся с Git
- Зачем нужен Git и как он устроен?
- Настройка и базовое использование
- Работа с удалённым репозиторием
- Ветки и слияние
15Часть 2. Введение в SQL
- Введение
- Основы выборки
- Агрегация и группировка
- Объединение таблиц и подзапросы
16Бонус: создание MVP!
- Часть 1: Аналитика
- Начало работы с Streamlit
- Погружение в Streamlit
- Часть 2: Создание MVP
17Бонус: дополнительные материалы и записи вебинаров
- Записи вебинаров по подготовке июнь-июль 2026
- Записи вебинаров по подготовке август 2026
- Дополнительная практика по машинному обучению
- Дополнительные вебинары по темам курса
Организатор
Автор курса
Мнения учеников
Отзывы о курсе
Оставьте отзыв
Расскажите о качестве обучения, поддержке и результате. Это поможет другим выбрать организацию осознанно.
Оставьте заявку
Консультант ответит на вопросы о курсе «Стартовый трек в ИИ» и поможет разобраться в деталях обучения.
Нажимая кнопку, вы даете согласие на обработку персональных данных
Направления:Нейросети и ИИ
Информация обновлена 12 августа 2026 г.
Продолжить выбор
Похожие курсы
Начать без затрат
![Deep Learning (семестр 2, осень 2025) [АРХИВ]](https://cdn.stepik.net/media/cache/images/courses/251729/cover_uYd5Nmu/57394f3a8960d94e010ee67b55750d62.jpg)
