Курс объединяет Математику, Python и Промпт-инжиниринг в одну рабочую связку. Вы последовательно изучите функции, основы статистики, векторы, матрицы и работу с данными в JSON-файлах, затем закрепите эти темы программированием на Python и научитесь ставить нейросетям точные задачи через промпты и SKILL.md. Чему вы научитесь: Программировать скрипты на Python, извлекать массивы данных из JSON файлов, анализировать их и делать выводы Реализовывать математические идеи на Python и видеть связь между формулой, кодом и результатом анализа Работать с основными характеристиками данных: модой, медианой, квартилями, децилями и перцентилями Понимать виды и категории данных Применять функции для описания и моделирования процессов, находить нули функций и отличать линейные зависимости от нелинейных Работать с векторами, скалярным, векторным и смешанным произведениями, матрицами и матричными операциями Использовать метод Гаусса как основу для дальнейшей работы с матрицами Составлять промпты для нейросетей при работе со статистикой, функциями, векторами и матрицами Создавать и выстраивать систему SKILL.md, чтобы нейросеть точнее понимала аналитическую задачу и выдавала проверяемый результат Этот курс выстраивает знания в правильной последовательности: сначала вы приобретаете необходимые базовые знания из Python, потом нарабатываете навык работы с алгебраическими преобразованиями, далее закрепляете математическую основу анализа: введение в статистику, функции и моделирование, векторы и матрицы. После формирования этой базы вы переходите к промпт-инжинирингу и учитесь ставить нейросетям задачи так, чтобы использовать их как рабочий инструмент аналитика: задавать контекст, описывать требования к расчётам, формулировать ограничения и проверять результат. Важно: на курсе отдельное внимание уделяется JSON-файлам, потому что это распространённый формат передачи и хранения данных. Таким образом математика не остаётся набором формул, а программирование не сводится к копированию чужого кода. Вы учитесь видеть связь между аналитической задачей, математической моделью и её реализацией. В курсе предусмотрены отдельные задания по созданию файлов скиллов типа SKILL.md, постановке задач для статистического, векторного и матричного анализа, а также итоговые экзаменационные задачи. Как проходит обучение: Курс построен так, чтобы вы не изучали математику, Python и промпт-инжиниринг по отдельности, а сразу видели их связь в аналитических задачах: Сначала через видеоурок или текст вы разбираете математическую идею простым языком и понимаете, где она применяется в анализе данных Затем изучаете, как реализовать эту идею на Python и работать с данными, включая данные в JSON-файлах После этого закрепляете материал на практических задачах с автоматической проверкой Далее учитесь ставить нейросети точные задачи по изученной теме: описывать контекст, указывать требования к расчётам, задавать ограничения и проверять ответ По отдельным блокам выполняете итоговые задания, которые объединяют математику, программирование и работу с ИИ Для кого этот курс: Вы знаете базовый Python, но пока не понимаете, как применять его для математических и аналитических задач Вы изучали математику раньше, но не видите её связи с моделированием процессов, данными и программированием Вы хотите разобраться в функциях, статистических показателях, векторах и матрицах не только теоретически, но и через код Вы сталкиваетесь с JSON-файлами и хотите понимать, почему данные передаются в таком формате и как с ними работать Вы используете нейросети, но хотите перейти от случайных запросов к понятной постановке аналитических задач Вы хотите уверенно объяснять, что делает код, какие математические действия за ним стоят и насколько корректен результат Начальные требования: базовые знания арифметики и уверенное владение ПК. Обучение начинается с простейших основ. Что вы получаете: Чёткое понимание базовых конструкций Python, без лишних отступлений Уверенность в математических основах, которые нужны для анализа данных Системное понимание функций, описательной статистики, векторов, матриц и их роли в анализе данных Навык работы с данными в JSON-файлах и понимание структуры передаваемой информации Практику программирования математических и аналитических задач на Python Понимание связи между функциями, моделированием процессов, кодом и интерпретацией результата Навык постановки задач нейросетям для статистического, векторного и матричного анализа Умение создавать файлы навыков типа SKILL.md и использовать промпт-инжиниринг как инструмент аналитика, а не как способ получить непроверенный готовый ответ Подготовку к более сложным задачам анализа данных, где требуется одновременно владеть математикой, кодом и современными ИИ-инструментами Программа: 1. Знакомство и простые задачи Распространённые ошибки в современной аналитике 2. Введение в Python. Ввод/Вывод Ввод информации: от input() до файлов Вывод информации: от print() до логов 3. Введение в Python. Структуры данных Списки в Python Кортежи в Python Множества в Python Словари в Python 4. Введение в Python. Циклы и ветвления Циклы Условия 5. Введение в Python. Must-Have библиотеки 6. Введение в алгебру Аналитика и алгебра: с чего начинается связь? Степени в аналитике Дробные выражения в аналитике Применение уравнений в анализе данных Экзамен: популярные выражения в анализе данных 7. Неделя 1. Концепции о данных и их программная реализация Мода, медиана, квартили, децили, перцентили Кейс: закупки сиропов для кофейни Виды и категории данных JSON файлы и почему данные передаются в них Промпт-инжиниринг: учимся писать SKILL.md Промпт-инжиниринг: экзаменационная задача 8. Неделя 2. Функции и процессы в аналитике Про функцию простейшим языком JSON-данные и анализ линейных процессов Единство в функциях между программированием и математикой Моделирование массы человека Нелинейные и параболические процессы Нули функций в анализе данных 9. Неделя 3. Функции и процессы в аналитике Метод Гаусса и предисловие к матрицам Промпт-инжиниринг: формируем правильную систему скиллов Экзамен: базовое моделирование процессов 10. Неделя 4. Векторы и матрицы Суть векторов и их применение в аналитике Скалярное произведение в анализе данных Векторное произведение в анализе данных Смешанное произведение. Работа векторов в связке Векторный анализ через JSON файлы Матрицы и операции над ними при анализе данных Промпт-инжиниринг: скиллы для матричной аналитики Экзаменационные задачи Автор Ильдар Мустафин Преподаватель математики и математического программирования Разработал авторскую методику по упрощённому изучению аналитической математики для гуманитариев и программистов Выпускник ТУСУР (факультет РТФ), диплом бакалавра с отличием, диплом магистра с отличием Выпускник КГПИ (факультет РТФ), диплом бакалавра с отличием
