Алгоритмы:

• асимптотическая сложность;
• основные структуры данных, сложность операций;
• сортировки;
• алгоритмы, связанные с деревьями и графами.

Линейная алгебра:

• умножение матриц и векторов;
• операции над матрицами;
• разложение матриц.

Теория вероятностей и математическая статистика:

• условная вероятность;
• распределения случайных величин;
• Z-score, p-value;
• алгоритмы сэмплинга.

Модели:

• линейная регрессия;
• логистическая регрессия;
• деревья решений;
• алгоритмы кластеризации;
• обнаружение аномалий.

Методы обучения:

• градиентные спуски;
• EM-алгоритм;
• градиентный бустинг.

Теория обучения:

• выбор признаков;
• валидация модели;
• метрики модели;
• метод ансамблей, бустинг, бэггинг, бутстрэппинг.

Книги

1. Elements of statistical learning, Tibshirani.
2. Pattern Recognition and Machine Learning, Christopher M. Bishop.
3. Deep learning book, Goodfellow.
4. Introduction to Information Retrieval, Christopher D. Manning.
5. «Глубокое обучение. Погружение в мир нейронных сетей», А. Кадурин, С. Николенко.
6. https://github.com/josephmisiti/awesome-machine-learning/blob/master/books.md.

Курсы (Github)

1. https://github.com/yandexdataschool/Practical_DL.
2. https://github.com/yandexdataschool/Practical_RL.
3. https://github.com/yandexdataschool/nlp_course.
4. https://github.com/catalyst-team/dl-course.
5. https://www.coursera.org/specializations/machine-learning-data-analysis.
6. https://github.com/josephmisiti/awesome-machine-learning/blob/master/courses.md.

Подборки вопросов

1. https://github.com/dingran/quant-notes.
2. https://github.com/iamtodor/data-science-interview-questions-and-answers.
3. https://github.com/kojino/120-Data-Science-Interview-Questions.
4. https://github.com/alexeygrigorev/data-science-interviews.

Полезные ресурсы

1. https://github.com/josephmisiti/awesome-machine-learning/blob/master/blogs.md.

Базовый уровень

Алгоритмы:

• асимптотическая сложность;
• основные структуры данных, сложность операций;
• сортировки, коллекции.

Базы данных:

• acid;
• indexes;
• locks.

Теория программирования:

• ООП.

Архитектура ЭВМ и ОС:

• сегменты памяти;
• процесс и поток выполнения;
• взаимодействие процессов сети;
• модели TCP/IP и ISO/OSI;
• протоколы IP, TCP и UDP.

Продвинутый уровень. Знание данных тем значительно повышает шансы на поступление

Jvm:

• memory model;
• garbage collection;
• thread pools.

Scala:

• collections;
• futures, execution contexts.

Nosql:

• AP.

Функциональное программирование:

• основные понятия;
• ООП vs ФП.

Книги

1. «Алгоритмы. Построение и анализ». Кормен Томас Х., Лейзерсон Чарльз И.
2. Programming in Scala, Fourth Edition. M. Odersky.
3. Cracking the Coding Interview: 189 Programming Questions and Solutions. Gayle Laakmann, McDowell.

Видеокурсы

1. Введение в Scala.
2. Алгоритмы, часть I.
3. Специализация «Структуры и алгоритмы данных».

Полезные ресурсы

1. LeetCode;
2. HackerRank;
3. Codeforces;
4. Topcoder;
5. Timus Online Judge.

Базовый уровень

Теория вероятностей и математическая статистика:

• условная вероятность;
• распределения случайных величин;
• Z-score, p-value;
• статистическая значимость;
• мат. ожидание, дисперсия, корреляция и ковариация случайных величин.

Также очень важно обладать математическим складом ума и критическим мышлением, уметь работать в команде и задавать себе вопросы во время решения задачи.

Продвинутый уровень. Знание данных тем значительно повышает шансы на поступление

Python:

• опыт работы с данными (считывание, поиск первичных закономерностей, вывод, графическая обработка);
• работа с Jupyter Notebook;
• numpy, pandas, plotly, matplotlib.

SQL:

• умение писать SQL-запросы (join, group by, подзапросы).

Курсы

1. Курс «Анализ данных в индустрии».
2. Теория вероятностей для начинающих.
3. Математическая статистика и А/B тестирование.

Книги

1. «Доверительное А/В-тестирование», Р. Кохави.
2. Сборник задач по теории вероятностей с решениями.
3. «Теория вероятностей и математическая статистика», В. Гмурман.
4. «Руководство к решению задач по теории вероятностей и математической статистике». Учебное пособие, В. Гмурман.

Полезные ресурсы

1. Логические задачи на BrainGames.