Chevron Left
Поиск структуры в данных に戻る

モスクワ物理工科大学(Moscow Institute of Physics and Technology) による Поиск структуры в данных の受講者のレビューおよびフィードバック

4.7
stars
1,289件の評価
136件のレビュー

コースについて

В машинном обучении встречаются задачи, где нужно изучить структуру данных, найти в них скрытые взаимосвязи и закономерности. Например, нам может понадобиться описать каждого клиента банка с помощью меньшего количества переменных — для этого можно использовать методы понижения размерности, основанные на матричных разложениях. Такие методы пытаются сформировать новые признаки на основе старых, сохранив как можно больше информации в данных. Другим примером может служить задача тематического моделирования, в которой для набора текстов нужно построить модель, объясняющую процесс формирования этих текстов из небольшого количества тем. Такие задачи назвают обучением без учителя. В отличие от обучения с учителем, в них не предполагают восстановление зависимости между объектами и целевой переменной. Из этого курса вы узнаете об алгоритмах кластеризации данных, с помощью которых, например, можно искать группы схожих клиентов мобильного оператора. Вы научитесь строить матричные разложения и решать задачу тематического моделирования, понижать размерность данных, искать аномалии и визуализировать многомерные данные. Видео курса разработаны на Python 2. Задания и ноутбуки к ним адаптированы к Python 3....

人気のレビュー

PK

May 04, 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.

AA

Jan 09, 2017

Интересный курс, замечательные преподаватели. Есть моменты когда лекция довольно сложная, а тест простой, это оставляет тревожное ощущение недоученности :)

フィルター:

Поиск структуры в данных: 101 - 125 / 130 レビュー

by Minasian V

Jul 21, 2017

В целом- очень круто. Некоторые темы сложные , но интересные. На мой взгляд, последняя неделя проработана не очень хорошо.

by Andrey I

Jun 19, 2016

Отличный курс, но мало времени уделено кластеризации, хорошо бы иметь 2 недели вместо одной и больше заданий

by Nikolay K

Apr 12, 2018

Сделайте что-нибудь с заданием по Тематическому Моделированию, чтобы оно не зависело от версий библиотек

by Nikolay E

Nov 22, 2017

В целом хороший и полезный курс, но есть проблемы с совместимостью библиотеки BigARTM разных версий

by Лазарев А В

Apr 27, 2018

Задачи в Тематическом моделировании нуждаются в более глубоких пояснениях.

В целом курс понравился.

by Чернышев А О

Nov 13, 2017

Про тематические модели Константин Воронцов очень бегло рассказывает и непонятно, к сожалению.

by Polovinkin A

Oct 09, 2017

не очень приятно подбирать версии gensim и numpy, чтобы выполнить задание

by Mike K

Dec 13, 2019

Курс неплохой, но желательно адаптировать его к 3 версии Питона

by Исаев Д В

Mar 11, 2019

Не понравилась неделя тематического моделирования.

by Иван Ч

Sep 27, 2016

Неделя с тематическим моделированием не зашла.

by Rustem Y

Dec 01, 2018

Классный курс, но есть проблемы с домашками

by Курочка А Ю

Oct 29, 2018

Не удается установить Bigartm

by Филипп

Aug 09, 2017

что за трэш с грэйдером? :(

by Болотов Г

Jan 07, 2020

-

by Kapitanov A

Oct 29, 2019

Курс интересный, но к сожалению есть много жирных минусов:

1) Последняя неделя - преподается скомканно и сумбурно. Лекций много, а практические материалы - недоработаны

2) Задание по программированию на 4 неделе (с gensim) - не адаптировано под современные версии. Для решения задач требуются танцы с бубнами и установка отдельных окружений со старыми версиями (правильную ещё и поискать надо!)

3) Последнее задание, которое не влияет на оценку (Постнауки) также неадаптировано и сделано на коленке. BigARTM это просто ужас. Местами вообще не понятно, что от обучающегося хотят.

4) Сама концепция использоваться старые и заброшенные библиотеки - так себе. В итоге у человека остается осадок в виде "как танцевать с бубном", а не как понижать размерность, кластеризовать данные и прочее.

5) В тетрадках на Python 3 в шапке указывают на каких версиях библиотек проверены задачи. Но по факту - они не проверены. В частности, так и не удалось победить NaN-ы в seaborn pairplot (при этом бОльшая часть сокурсников просто скопипастила чужие решения).

В остальном - курс неплохой, без этой части в ML и DS просто никуда. Отдельное спасибо Соколову Е. и Воронцову К. за качественную подачу материала.

by Dmitry K

Sep 23, 2017

Полноценно понравилась только первая неделя с интересным практическим заданием.

На остальных неделях был просто ужасный перегруз теоретической информацией, поэтому лекции прослушивались фактически только "для галочки" и их познавательная ценность стремилась к нулю. Осознать материал из лекций человеку с базовыми знаниями линейной алгебры просто нереально.

Последняя неделя это вообще торжество теории над практикой: при всем моем уважении к Константину Воронцову лекции читались как будто для людей, которые уже потратили пару месяцев на плотную работу с тематическим моделированием. Обилие специфичной терминологии, отсутствие каких-либо полноценных ассоциаций с практическим применением описываемой теории полностью перечеркивают полезность курса.

Практические задания по большей части выполнялись по принципу "китайской комнаты": я что-то пишу по инструкциям, но понимание напрочь отсутствует.

by Sergey P

Nov 22, 2019

Я прекрасно понимаю, что материал расчитан на широкую аудиторию с разной степенью подготовки, но если вы поверхностно излагаете суть работы того или иного алгоритма, то будте добры не запутывать слушателя еще больше. Не надо вскользь употреблять каких-то глубоких терминов (прям сейчас могу вспомнить только "апостериорная вероятность"), это очень запутывает и демотивирует слушателя. Евгений, какой смысл в лекциях о теории вероятности показывать математические выкладки на слайдах и ничего о них не рассказывать? Вы только еще больше с толку сбиваете. Больше всего подгорает именно от ваших лекций.

Хотел поставить два, но из-за довольно полезных практических занятий ставлю три.

by Антон М И

Oct 29, 2019

В целом очень хорошо описана теория и понятные видео уроки, но большой минус заключается в очень низкой поддержке курса, переработке материалов и исправлении ошибок. Одни и те же ошибки которые создатели допустили в составлении заданий остаются неисправленными на протяжении долгого времени и нет никаких гарантий что кто-то возьмется их исправлять. Часто задания формулируются весьма нечетко и начинающим понять очень сложно что именно требуется, это касается всех курсов данной специализации, в свое время я поэтому и забросил данную специализацию спустясь 2 года решил вернуться и стало гораздо более понятно.

by Petrukhin I

Apr 23, 2018

Большая часть курса посвящена тематическому моделированию. Плохо рассмотрены проблемы кластеризации и поиска аномалий. Качество заданий по программированию, особенно в том же тематическом моделировании невысокие. Слишком много математимитики в видео, при этом крайне скудные лекции

by Yuri M

Dec 15, 2019

lack of support during completion of tasks. grader says "check random seed" which is not enough to address complex topics

by Провилков И С

Sep 10, 2017

Плохая документация по установки BigARTM и неоднозначности постановки задач в некоторых номерах.

by Ivan M

Nov 30, 2017

Четвёртая неделя — это фиаско. Танцы с бубном и подбором версий пакетов.

by YaMolekula

Dec 08, 2018

Задания слишком простые

by Ilya P

Aug 22, 2017

Устал

by Александр В Е

Nov 10, 2019

Инструкции к последнему заданию 4й недели устарели. Инструментарий не устанавливается в соответствие с инструкциями. Курс оплачен, время истекает на днях, планировал закончить, но увы. Тратить время на сборку другой версии, а потом бороться с тем что не сошелся результат из-за неправильной версии увы нет ни желания ни времени. Материал до 4й недели был хорошим, понятным и интересным. 4я неделя ужасна. Скучная, в лекциях много деталей которые слабо коррелируют с заданиями. Без практики все это пустой звук. Первое задание 4й недели ничему не учит. Последнее задание выполнить не удастся если не запастись терпением и специфическими навыками.