Chevron Left
Прикладные задачи анализа данных に戻る

Прикладные задачи анализа данных, モスクワ物理工科大学(Moscow Institute of Physics and Technology)

4.4
529件の評価
83件のレビュー

このコースについて

Методы машинного обучения — будь то алгоритмы классификации или регрессии, методы кластеризации или алгоритмы понижения размерности — применяются к подготовленным данным с вычисленными признаками для решения уже сформулированной задачи. Однако специалисты по анализу данных редко оказываются в такой идеальной ситуации. Обычно перед ними ставят задачи, которые нуждаются в уточнении формулировки, выборе метрики качества и протокола тестирования итоговой модели. Данные, с которыми нужно работать, часто представлены в непригодном виде: они зашумлены, содержат ошибки и выбросы, хранятся в неудобном формате и т. д. В этом курсе мы разберем прикладные задачи из различных областей анализа данных: анализ текста и информационный поиск, коллаборативная фильтрация и рекомендательные системы, бизнес-аналитика, прогнозирование временных рядов. На их примере вы узнаете, как извлекать признаки из разнородных данных, какие при этом возникают проблемы и как их решать. Вы научитесь сводить задачу заказчика к формальной постановке задачи машинного обучения и поймёте, как проверять качество построенной модели на исторических данных и в онлайн-эксперименте. На каждой задаче мы изучим плюсы и минусы пройденных алгоритмов машинного обучения. Прослушав этот курс, вы познакомитесь с распространенными типами прикладных задач и будете понимать схемы их решения....

人気のレビュー

by PK

May 24, 2018

Отличный вводный курс, как и вся специализация. Доступно и понятно изложены все базовые вещи, которые могут потребоваться в повседневной деятельности в качестве data scientist.

by IS

Jan 21, 2019

Замечательный курс, полный примеров из реальной жизни для получения опыта. Очень полезные и понятные лекции, конспекты. Очень рад, что смог пройти этот курс.

フィルター:

81件のレビュー

by Egor Gazarov

May 09, 2019

Недели 1 и 3 интересные.

На неделе 2 огромная пропасть между содержанием лекций и практическим заданием. Все равно, что лектор рассказывал бы "Какая красивая Луна, многи люди мечтают туда слетать", показывал бы фото Луны... - а в задании нужно было расчитать формулу тяги двигателя ракеты, летящей на Луну, без подготовки.

На неделе 3 задание по программированию не снабжено детальными рекомендациями и примером кода. Занимает очень много времени, т.к. непонятно, что именно нужно делать. Одно из самых трудозатратных заданий по программированию всей специализации. Я не помню, чтобы где-то в специализации, например, объяснялось, как сортировать значения одного массива на основе порядка другого массива (а, может, нужно было вообще не так делать...)

by Sergey

Apr 11, 2019

The first week is totally outstanding. In fact, it has helped me a lot with my current project. In a nutshell, the course instructors have covered the field of the time series analysis, highlighting the important theory, and illustrating it with a nice programming example. That alone makes the course highly useful, and worth completing.

The second week - glossing over the entire field of image processing - was a good try. It is really nice that the course instructors have introduced TensorFlow - that's the way to go. Although, it has developed over the last two years, so it would make sense to rewrite the assignment using tf.keras. Perhaps, it would also make more sense to focus more on some of the image processing aspects - such as convolutional layers - instead of trying to cover everything at once.

The last two weeks definitely could've been improved. The amount and scope of theory is sensible, although in the multiple choice tests and the assignments, I literally had to psychoanalyze the instructors. There are two ways to deal with that: either to relax the 100% requirement in the multiple choice tests, or to better convey the questions. The same applies to the latest programming assignment.

by Гаврилин Николай Павлович

Apr 01, 2019

Очень жаль, что материалы курса не позволяют самостоятельно работать ни с самими нейросетями, ни с инструментами их разработки

by Шаланкин Максим Дмитриевич

Mar 14, 2019

Не рекомендую к прохождению, за такую цену есть много актуальных новых курсов, а на всей этой специализации (начиная с третьего курса и далее) кривые задания, отсутствие поддержки, минимум студентов, которые смогут проверить вашу работу. Мне больше курс от вышки понравился.

by Domnin Vladimir

Mar 13, 2019

По моему мнению курс не дотягивает до уровня предыдущих серий специализации ни по информативности, ни по полезности. Исключение - неделя 1, про временные ряды очень увлекательно.

До конца не понял, зачем этот курс здесь.

by Гридасов Илья Игоревич

Feb 05, 2019

Курс даёт широкий взгляд на то, какие бывают задачи в анализе данных, с подробными pipelin-ами решений. В целом курс не сложный, но крайне полезный.

by Artem Drofa

Jan 21, 2019

Финальный проект очень понравился (делал "Идентификация интернет-пользователей")! Реальная практика применения моделей, а также сабмишна на Каггле.

Если ваши заания длительное время не проверяют, не переживайте, к концу сессии народ точно появится.

Еще раз: проект очень классный и инересный! Не без шероховатостей, но все решаемо, в т.ч. с помощью форума.

by Ivan Smirnov

Jan 21, 2019

Замечательный курс, полный примеров из реальной жизни для получения опыта. Очень полезные и понятные лекции, конспекты. Очень рад, что смог пройти этот курс.

by Alexander Prokofyev

Jan 20, 2019

It would be nice to have more practice with neuronets. Anyway it's very interesting course. Thanks!

by YaMolekula

Jan 08, 2019

Совет по курсу: слушать со скоростью 2х

Мое мнение по курсу:

1) Первая неделя интересная, про временные ряды маловато. Хотелось услышать про (G)ARCH и другие методы анализа временных рядо

2) Вторая неделя - мрак, все испортила