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.
Este curso forma parte de Programa Especializado - Машинное обучение и анализ данных
ofrecido por
Instituto de Física y Tecnología de Moscú
Yandex
E-Learning Development Fund
Programa Especializado - Машинное обучение и анализ данныхInstituto de Física y Tecnología de MoscúAcerca de este Curso
36,239 vistas recientes
Resultados profesionales del estudiante
73%
comenzó una nueva carrera después de completar estos cursos
79%
consiguió un beneficio tangible en su carrera profesional gracias a este curso
40%
consiguió un aumento de sueldo o ascenso
Certificado para compartir
Obtén un certificado al finalizar
100 % en línea
Comienza de inmediato y aprende a tu propio ritmo.
Curso 5 de 6 en
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Nivel intermedio
Aprox. 28 horas para completar
Ruso (Russian)
Subtítulos: Ruso (Russian)
Habilidades que obtendrás
Data ScienceTime SeriesSentiment AnalysisRecommender Systems
Resultados profesionales del estudiante
73%
comenzó una nueva carrera después de completar estos cursos
79%
consiguió un beneficio tangible en su carrera profesional gracias a este curso
40%
consiguió un aumento de sueldo o ascenso
Certificado para compartir
Obtén un certificado al finalizar
100 % en línea
Comienza de inmediato y aprende a tu propio ritmo.
Curso 5 de 6 en
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Nivel intermedio
Aprox. 28 horas para completar
Ruso (Russian)
Subtítulos: Ruso (Russian)
ofrecido por
Instituto de Física y Tecnología de Moscú
Московский физико-технический институт (Физтех) является одним из ведущих вузов страны и входит в основные рейтинги лучших университетов мира. Институт обладает не только богатой историей – основателями и профессорами института были Нобелевские лауреаты Пётр Капица, Лев Ландау и Николай Семенов – но и большой научно-исследовательской базой.
Yandex
Yandex is a technology company that builds intelligent products and services powered by machine learning. Our goal is to help consumers and businesses better navigate the online and offline world.
E-Learning Development Fund
Фонд развития онлайн-образования (ФРОО) объединяет образовательные стартапы, проекты в области EdTech и запускает собственные онлайн-программы в области машинного обучения, программирования, мобильной разработки, VR, дизайна и IT. Мы выстраиваем экосистему для обучения на всех стадиях жизненного цикла: от идеи и поиска средств на производство образовательной программы до поддержки, продаж и маркетинга. А сотрудничество с крупнейшими образовательными платформами позволяет запускать онлайн-курсы с максимальным эффектом и пользой для всех заинтересованных сторон.
Programa - Qué aprenderás en este curso
7 horas para completar
Бизнес-задачи
На этой неделе мы разберём две крупные задачи, часто возникающие в бизнес-аналитике. Первая связана с прогнозированием временных рядов; задачи такого типа часто возникают, когда необходимо оценить значение показателя в будущем, основываясь на истории его изменения в прошлом. Такими показателями могут быть спрос на товар, аудитория рекламного баннера, цена акций и т.д. Вторя задача — это анализ поведения пользователей. Класс задач, связанных с анализом пользовательских данных, неизбежно появляется практически в любой сфере бизнеса, подразумевающей работу с клиентами. Как правило, это такие задачи, как привлечение пользователей, работа с аудиторией, прогнозирование оттока и удержание клиентов.
7 horas para completar
19 videos (Total 152 minutos), 6 lecturas, 7 cuestionarios
19 videos
Как устроена специализация, и зачем ее проходить3m
МФТИ1m
Временные ряды9m
Автокорреляция6m
Стационарность6m
ARMA5m
ARIMA5m
Выбор ARIMA и прогнозирование10m
Анализ остатков8m
Пример построения прогноза11m
Регрессионный подход к прогнозированию8m
Анализ поведения пользователей8m
Аудиторные метрики: привлечение7m
Аудиторные метрики: активность9m
Аудиторные метрики: монетизация6m
Аудиторные метрики: удержание3m
Прогнозирование оттока пользователей: Постановка задачи18m
Прогнозирование оттока пользователей: Построение и оценка модели16m
6 lecturas
МФТИ10m
Forum&Chat10m
Пример построения прогноза [ipython notebook]10m
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
6 ejercicios de práctica
Автокорреляция и стационарность30m
p, q, P, Q30m
Прогнозирование временных рядов30m
Аудиторные показатели: привлечение и активность30m
Аудиторные показатели: монетизация и удержание30m
Анализ поведения пользователей30m
7 horas para completar
Анализ медиа
Вторая неделя посвящена вопросам компьютерного зрения. Мы обсудим базовые методы обработки изображений и поговорим про такие задачи, как классификация изображений, распознавание лиц, детекция объектов и семантическая сегментация. Благодаря развитию глубоких нейронных сетей, за последние несколько лет во всех этих задачах достигнут огромный прогресс. Вы узнаете, как на практике пользоваться нейросетевыми библиотеками, и научитесь быстро собирать и размечать большие коллекции изображений.
7 horas para completar
11 videos (Total 106 minutos), 7 lecturas, 3 cuestionarios
11 videos
Задачи компьютерного зрения5m
"Низкоуровневое" зрение14m
Линейная фильтрация изображений4m
Классификация изображений9m
Задача классификации изображений на практике14m
Распознавание лиц17m
Детекция объектов13m
Стилизация изображений3m
Распознавание китов5m
Сбор больших коллекций изображений10m
7 lecturas
Дополнительные материалы10m
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
2 ejercicios de práctica
Компьютерное зрение30m
Практические задачи компьютерного зрения30m
7 horas para completar
Анализ текстов
Данная неделя посвящена работе с особым видом данных — текстами. Тексты встречаются во многих задачах, и при этом свести их к стандартной матрице с объектами и признаками не так просто. В этом модуле мы изучим основы работы с текстовыми данными, способы генерации признаков на их основе, поговорим о нейросетевых подходах (в частности, word2vec и рекуррентные сети). Также мы обсудим несколько конкретных прикладных задач анализа текстов, среди которых будут анализ тональности и аннотирование.
7 horas para completar
13 videos (Total 80 minutos), 6 lecturas, 5 cuestionarios
13 videos
Предобработка текста6m
Извлечение признаков из текста5m
Извлечение признаков из текста - 25m
Обучение моделей на текстах3m
word2vec5m
Рекуррентные сети7m
Выделение коллокаций5m
Языковые модели4m
Анализ тональности текста13m
Анализ тональности отзывов4m
Анализ тональности отзывов: продолжение5m
Аннотирование7m
6 lecturas
Слайды к лекциям10m
Конспекты к лекциям10m
Слайды к лекциям10m
Конспекты к лекциям10m
Анализ тональности отзывов [ipython notebook]10m
Слайды к лекциям10m
4 ejercicios de práctica
Первичная обработка текстов30m
Текстовые данные и работа с ними30m
word2vec и рекуррентные сети30m
Примеры задач анализа текстов30m
7 horas para completar
Рекомендации и ранжирование
На этой неделе вы познакомитесь с задачами, в которых нужно оценивать "интересность" различных объектов для пользователя - задачей ранжирования, актуальной при построении поиска, и задачей построения рекомендательных систем, возникающей при необходимости посоветовать пользователю некоторый контент (фильмы, музыку, статьи) или товары в интернет-магазине.
7 horas para completar
10 videos (Total 57 minutos), 5 lecturas, 4 cuestionarios
10 videos
Метрики качества ранжирования6m
Методы ранжирования4m
Рекомендательные системы4m
kNN и матричные разложения2m
Подходы к построению рекомендательных систем11m
Гибридные рекомендательные системы6m
Оффлайн оценка качества3m
Онлайновая оценка качества5m
Максимизация прибыли магазина7m
5 lecturas
Слайды к лекциям10m
Конспекты к лекциям10m
Слайды к лекциям10m
Финальные титры10m
Стань ментором специализации10m
3 ejercicios de práctica
Ранжирование30m
Рекомендательные системы-130m
Рекомендательные системы-230m
Reseñas
Principales reseñas sobre ПРИКЛАДНЫЕ ЗАДАЧИ АНАЛИЗА ДАННЫХ
por KV8 de jul. de 2017
Курс интересен тем, что в нем рассматриваются примеры реальных задач, которые решаются в индустрии. Но мне он показался слишком простым по сравнению с 2,3 и 4 курсами. Можно усложнить его немного :)
por SK23 de feb. de 2018
Не понравилось задание по программированию из недели 4 (ранжирование) - все 4 ответа требуют по сути написания полного кода, нет возможности проверить частично выполненную работу
por PK23 de may. de 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.
por KC28 de may. de 2018
качество курса немного хромает по сравнению в предыдущими (менее "академичные лекции, pdf с материалом отсутствует). но в целом, лучшее из прошлых курсов сохранено.
Acerca de Programa especializado: Машинное обучение и анализ данных
Мы покажем, как проходит полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Вы научитесь пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач.
Preguntas Frecuentes
¿Cuándo podré acceder a las lecciones y tareas?
¿Qué recibiré si me suscribo a este Programa especializado?
Is financial aid available?
¿Recibiré crédito universitario por completar el Curso?
¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.
