Матан не нужен вообще. Все уже написано в либах.

Учи Pandas, Sklearn, делай пару проектов с Kaggle и иди на собесы. На джуна математику особо не спрашивают, главное чтоб код работал.

Я перешел в DS из аналитики 2 года назад. Потратил год на обучение, еще полгода на поиск работы.

Что реально помогло:

• Прошел курс на Яндекс Практикуме (платный, но структурированный)
• Каждую неделю решал по 5-10 задач на LeetCode (алгоритмы нужны для собесов)
• Сделал проект по анализу данных с работы (анонимизировал и выложил на GitHub)
• Участвовал в 3 соревнованиях Kaggle, занял место в топ 20% в одном

На собесах больше всего вопросов было по SQL (напиши запрос с JOIN и GROUP BY) и по статистике (что такое p-value, когда использовать t-test vs chi-square).

Математику учил по ходу - когда не понимал как работает алгоритм, гуглил статьи и смотрел видео. Специально зубрить формулы не нужно, главное понимать логику.

TL;DR: Python + Pandas + Sklearn + портфолио. Математику учи по требованию.

Развернуто:

Ты уже аналитик, значит понимаешь бизнес-задачи. Это огромный плюс. Многие программисты приходят в DS и не понимают зачем вообще нужна модель.

Шаг 1: Python синтаксис (1 месяц)

• Codecademy Python course или Stepik

Шаг 2: Библиотеки для работы с данными (2 месяца)

• Pandas: manipulating data
• Matplotlib/Seaborn: визуализация
• Numpy: массивы и операции

Шаг 3: SQL (если еще не знаешь)

• Нужен для вытаскивания данных из БД
• SQLBolt или Mode Analytics tutorial

Шаг 4: Machine Learning (3 месяца)

• Coursera: Andrew Ng ML course
• Sklearn documentation
• Практика на Kaggle datasets

Шаг 5: Математика (параллельно шагу 4)

• Линал: Gilbert Strang MIT lectures
• Статистика: StatQuest на YouTube
• Не нужно проходить полный курс высшей математики, только то что используется в ML

Шаг 6: Deep Learning (опционально, если время есть)

• Fast.ai course
• PyTorch/TensorFlow basics

Итого: 6-8 месяцев до первых откликов на вакансии. Реально, проверено.

Ты не станешь DS за год. Это иллюзия.

Настоящий Data Science - это PhD уровень математики: байесовская статистика, стохастические процессы, оптимизация, теория информации. Плюс понимание железа для распределенных вычислений (Spark, Hadoop).

Все эти курсы на Coursera делают из тебя не DS, а "кнопкодава" который запускает готовые скрипты из туториалов. На собесе в нормальную компанию тебя развернут после первого же вопроса про bias-variance tradeoff или регуляризацию.

Если хочешь реально въехать в тему - поступай на магистратуру по Data Science или Computer Science. Иначе это потеря времени.

начни с курса на stepik по питону потом пройди курс по пандас на кагле дальше делай проекты и ищи работу, математика не так важна как говорят главное практика

Забудь про DS. Рынок перенасыщен джунами которые прошли курсы и не могут найти работу.

Лучше прокачай свои навыки аналитика: Power BI, Tableau, продвинутый SQL. Это реально востребовано и платят нормально. А DS - это хайп который уже прошел.

Работаю DS 5 лет. Вот что реально нужно джуну:

1. Python (Pandas, Numpy, Sklearn) - это база
2. SQL - обязательно, данные всегда в БД
3. Статистика - понимать распределения, гипотезы, корреляции
4. Git - версионирование кода
5. Jupyter Notebook - для экспериментов

Математику типа линейной алгебры учи когда упрешься в непонимание как работает алгоритм. Сразу грузить себя теорией - выгоришь.

Главное - делай проекты. Возьми данные с Kaggle, поставь задачу (предсказать цену, классифицировать), реши ее, оформи в виде ноутбука с выводами. 3-4 таких проекта + активность на GitHub = можно идти на собесы.

Курс Андрея Нга устарел, там еще Octave используется вместо Python. Лучше смотри курсы на Fast.ai или DeepLearning.AI specialization (обновленная версия).