Математический анализ, теория вероятностей, статистика, теория алгоритмов и графов.
Возможно, эконометрика. Но тут зависит от курсов. Нам преподавали углубленную эконометрику, которая действительно используется и в работе. Те же регрессии, временные ряды и тп.
Если вкратце, то в этом направлении(в моём случае больше в сторону ML и плюс у меня уже был опыт программирования ботов в NLP) я начинал примерно так:
1. Линейная регрессия -https://ru.wikipedia.org/wiki/Линейная_регрессия
2... Читать далее
Руководитель направления моделирования банка. · 1 нояб 2021
Добрый день
Начните с того, что задайте себе вопрос, для чего вам это надо?
Если вас привлекают высокие зарплаты в первую очередь, а потом уже все остальное, то есть смысл найти себя в другом.
DS - это многогранная специализация, которая включает в себя понимание бизнес-процессов, работу с базами данных (хранение, обработка, обновление и удаление), статистические тесты, математический функционал и программирование. И еще одно главное умение - собрать все вышеописанное в один продукт.
Если же все-таки желание развиваться в DS есть, то рекомендую начать с продуктовой аналитики. Там вы приобретете базовые понятия анализа данных, знания доменных процессов. По ходу уже поймете как и где применять статтесты, соответственно, как и с каким ЯП их делать. Ну а дальше как снежный ком понесется и не остановить.
Ну а если вы поймете, что аналитика это не для вас, то вы не потратите много усилий, в отличие от ситуации , если вы начнете свой путь в DS с изучения python или R.
Ключевое во всей этой истории ответить самому себе на вопрос: зачем мне это надо?
Изучение Data Science стоит начать с построения фундамента, а в фундаменте чего только нет, математика, статистика, алгоритмы, языки программирования. Собрал список курсов которые помогут заложить качественный фундамент под изучение DS.
# get titanic & test csv files as a DataFrame
titanic_df = pd.read_csv("../input/train.csv")
test_df = pd.read_csv("../input/test.csv")
# preview the data
titanic_df.head()
titanic_df.info()
# drop unnecessary columns, these columns won't be useful in analysis and prediction
titanic_df = titanic_df.drop(['PassengerId','Name','Ticket'], axis=1)
test_df = test_df.drop(['Name','Ticket'], axis=1)
Я бы начал с курса, где анализ данных разбирается на визуальном языке программирования - где код рисуют, а не пишут. На таких курсах порог вхождения минимальный - с первого урока.
Сделал бы такой курс посмотрел бы и решил как продолжать дальше, и стоит ли продолжать дальше.
Если речь о материале на русском языке.
То первые шаги могут быть такие
1) курс "Анализ данных просто" на степике - бесплатно
2) учебник "Анализ данных" от профессора Стивена Скиена есть на русском и английском.
Основатель небольшой компании аналитического прогр... · 14 мар 2016
На сегодня основная проблема Data Science - недостаток людей, которые могут её грамотно применить с прибылью для компании.
Поэтому начинать лучше с эконометрики, статистики, экономики, правовых основ работы с данными, устраиваться на работу в компании, где данные широко используются (поисковые системы, мобильные операторы, страховые компании, банки), и практиковаться, практиковаться... проверяя всё что вам говорят на прецедентах из реальной жизни.
Например, если говорят, что нужна сертификация для работы с персональными данными, нужно поинтересоваться, сертифицируется ли на эту работу соседний ларёк и почему, есть ли по этому вопросу правоприменительная практика.
Постепенно Вы (как я в своё время) поймете, что модные Big Data и Data Science - это фетиш разработчиков и айтишников в новой обертке, а проработку экономики и постановку задачи нужно делать полностью самому (либо с людьми, хорошо разбирающимися в экономике и праве конкретных отраслей и имеющих в них обширную практику). Именно к этому и нужно готовиться.
Если вы хотите начать изучение Data Science, рекомендуется следовать следующим шагам:
Основы математики и статистики: Чтобы стать хорошим специалистом по Data Science, необходимо хорошо понимать математические и статистические понятия. Рекомендуется изучить основные понятия линейной алгебры, дифференциального и интегрального исчисления, теории вероятностей и математической статистики.
Изучение программирования: Важно овладеть как минимум одним языком программирования, используемым в Data Science. Рекомендуется изучить Python, который является наиболее распространенным языком, используемым в этой области.
Работа с инструментарием: Изучите инструменты и библиотеки, используемые в Data Science, такие, как: NumPy, Pandas, Scikit-learn, Matplotlib и другие. Чтобы принимать бизнес решения удобно представлять данные в виде диаграмм и детальных отчетов, с которыми как раз помогают перечисленные выше инструменты.
Знакомство с ML: узнать про модели, датасеты, создание машин, которые могут обучаться и предсказывать или классифицировать значения по признакам. Для этого также обычно используют Python и разные библиотеки, например, SKlearn, NumPy и matplotlib
Работа с базами данных: Вам также пригодится знание SQL. Язык запросов используется при выборке и анализе данных. Не лишним будет разобраться в работе одной из популярных СУБД, например, PostgreSQL, чтобы понимать как можно оптимизировать тяжелые запросы.
Практика и проекты: Для лучшего понимания Data Science необходимо постоянно практиковаться и создавать свои проекты. Это поможет закрепить знания и получить опыт работы с реальными данными.
Обучение и сертификация: Можно также пройти онлайн-курсы, почитать учебники и другие ресурсы для изучения Data Science и получения сертификата, который может улучшить ваше резюме и увеличить шансы на получение работы в этой области.
Для начала нужно постигнуть азы математики( математическая статистика и теория вероятности) , аналитике и программирования. Так же можно походить на курсы и почитать книги для углубления знаний в этой области. Ну и далее только практика и работы с данными и dataset.
преподавание математики, высшей математики, data... · 29 сент 2021
Вме5сто того, чтобы посоветовать вам абстрактное чтиво, могу порекомендовать свою книгу, = Математика для DATA SCIENTIST
Анализ данных и математическое моделирование (путеводитель) - так вы хоть сможете чего-то спросить.
Представлен курс математики для специализации DATA SCIENTIST, включающий в себя такие разделы как Алгебра, Математический анализ бесконечно малых переменных величин, Комбинаторика, Теория вероятностей и математическая статистика, а также Дифференциальные уравнения и Анализ данных. Когда спрашивают — зачем DATA SCIENTIST’у дифференциальные уравнения, можно вспомнить графики Курта Воннегута в координатах (время по оси Х, уровень счастья-несчастья по оси Y, есть на youtube).
