Chevron Left
Volver a Прикладные задачи анализа данных

Opiniones y comentarios de aprendices correspondientes a Прикладные задачи анализа данных por parte de Instituto de Física y Tecnología de Moscú

4.4
589 calificaciones
89 revisiones

Acerca del Curso

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. Задания и видео курса разработаны на Python 2....

Principales revisiones

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.

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.

Filtrar por:

76 - 87 de 87 revisiones para Прикладные задачи анализа данных

por Самойлов А С

Jul 05, 2018

Курс вызвал у меня неоднозначные впечатления. Очень понравилась неделя Евгения с временными рядами. В целом в курсе идет краткий обзор всевозможных практических задач, при этом очень мало разборов задач. Было неплохо по каждой теме рассмотреть детально какой-нибудь реальную задачу, со всеми подводными камнями. Конечно я понимаю, что детально разобрать глубокие нейронные сети в компьютерном зрении, с учетом того, что в специализации по-сути их и не было, нереально, но в рекомендательных системах можно было бы разобрать что-то реальное к kaggle или что-нибудь настоящее. Там нет ни одного примера, а в задании люди вешаются от сложности. Нельзя от людей требовать то, чему вы их не учите. pdf лекции и презентации (за исключением временных рядов) в этом курсе подготовлены слабее, чем в остальных курсах специализации.

por Пенкин Г О

Mar 09, 2017

Курс в принципе нормальный, но 4 неделя это просто ужас, а конкретно задание по программированию.

Просто отвратительная постановка задачи. Нужно очень много времени, чтобы понять в чем заключается сама задача. Куча багов в системе оценивания. О всех замеченных багах написал на форуме. 4 пункт не стал делать, т.к. тупо жалко времени на поиск того, что от меня действительно хотят. И все бы ничего, если бы служба поддержки нормально работала, а по факту мои к ней вопросы так и остались без ответа.

por Ринат

Apr 22, 2017

Самый слабый из всех предыдущих курсов, плохо описан алгоритм выбора параметров для метода SARIMA в первой неделе(непонятно как на коррелограмме отличать сезонные лаги от несезонных), очень поверхностное задание по программированию во второй неделе, ошибки грейдера в последней неделе чуть с ума не свели.

por Дьяченко С И

Jun 14, 2019

Задачи неплохие, но всё равно есть неприятный осадок от данного курса, а именно по этим причинам:

1) Не везде есть конспекты - во всех курсах специализации изучал теоретический материал по конспектам- мне так удобнее

2) Python 2 - если в предыдущих курсах это было не критично, то в данном курсе намного лучше Python 3 был бы. Та же библиотека Tensorflow, которая используется в данном курсе, требует Python 3 например.

3) Не обновляются Ipynb блокноты- со времени последнего обновления блокнотов многие из используемых библиотек поменялись, и некоторые функции или параметры функций уже не работают. Последнее является бедой всех курсов специализации.

por Суриков А Г

Jul 29, 2019

Курс, конечно, не идет ни в какое сравнение с первыми тремя, носит чисто обзорный характер, тесты и практические задания оставляют желать лучшего. Но пройти наверное стоит, тем более что это реально сделать за неделю

por Рядовиков А В

Nov 09, 2018

побольше бы ссылок на исследования врем рядов (я пока на 1й неделе)

por P A b

Sep 24, 2017

Отсутвие конспектов

Не рабочий Тензорфлоу

Задания сделаны на тяп-ляп

por Михаил

Dec 07, 2017

Самый мутный и бестолковый курс во всей специализации

por Andrey A

Feb 10, 2017

Самый слабый курс специализации. Про сети много воды а потом практическое задание со ссылкой на документацию. Про рекомендательные системы, тав есть опрос решаемый только перебором. Ложка дектя в спецализацию а не курс. Если его убрать специализация тольок выиграет. Не ожидал такого подвоха после отличного 4-го курса.

por Sergey A

Aug 22, 2017

Вторая неделя в части урока про машинное зрение ужасна. Поверхностные обзорные лекции неадекватные объему и сложности предметной области.

por Ryzhikov N

Aug 07, 2017

Последняя неделя это полный *****.

Тесты с тремя вопросами и странными вариантами просто вымораживают. Курс бросили на середине.

por Мельникова Е А

Jun 28, 2019

Вторая неделя заставила просто отписаться от курса.

Отвратительно.