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.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Машинное обучение и анализ данных
von
Moscow Institute of Physics and Technology
Yandex
E-Learning Development Fund
Spezialisierung Машинное обучение и анализ данныхMoscow Institute of Physics and TechnologyÜber diesen Kurs
35,449 kürzliche Aufrufe
Karriereergebnisse der Lernenden
73%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
79%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
40%
erhalten Sie eine Gehaltserhöhung oder Beförderung
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 5 von 6 in
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 28 Stunden zum Abschließen
Russisch
Untertitel: Russisch
Kompetenzen, die Sie erwerben
Data ScienceTime SeriesSentiment AnalysisRecommender Systems
Karriereergebnisse der Lernenden
73%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
79%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
40%
erhalten Sie eine Gehaltserhöhung oder Beförderung
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 5 von 6 in
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 28 Stunden zum Abschließen
Russisch
Untertitel: Russisch
von
Moscow Institute of Physics and Technology
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.
Lehrplan - Was Sie in diesem Kurs lernen werden
7 Stunden zum Abschließen
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 Stunden zum Abschließen
19 Videos (Gesamt 152 min), 6 Lektüren, 7 Quiz
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 Lektüren
МФТИ10m
Forum&Chat10m
Пример построения прогноза [ipython notebook]10m
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
6 praktische Übungen
Автокорреляция и стационарность30m
p, q, P, Q30m
Прогнозирование временных рядов30m
Аудиторные показатели: привлечение и активность30m
Аудиторные показатели: монетизация и удержание30m
Анализ поведения пользователей30m
7 Stunden zum Abschließen
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 Stunden zum Abschließen
11 Videos (Gesamt 106 min), 7 Lektüren, 3 Quiz
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 Lektüren
Дополнительные материалы10m
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
2 praktische Übungen
Компьютерное зрение30m
Практические задачи компьютерного зрения30m
7 Stunden zum Abschließen
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 Stunden zum Abschließen
13 Videos (Gesamt 80 min), 6 Lektüren, 5 Quiz
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 Lektüren
Слайды к лекциям10m
Конспекты к лекциям10m
Слайды к лекциям10m
Конспекты к лекциям10m
Анализ тональности отзывов [ipython notebook]10m
Слайды к лекциям10m
4 praktische Übungen
Первичная обработка текстов30m
Текстовые данные и работа с ними30m
word2vec и рекуррентные сети30m
Примеры задач анализа текстов30m
7 Stunden zum Abschließen
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 Stunden zum Abschließen
10 Videos (Gesamt 57 min), 5 Lektüren, 4 Quiz
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 Lektüren
Слайды к лекциям10m
Конспекты к лекциям10m
Слайды к лекциям10m
Финальные титры10m
Стань ментором специализации10m
3 praktische Übungen
Ранжирование30m
Рекомендательные системы-130m
Рекомендательные системы-230m
Bewertungen
Top-Bewertungen von ПРИКЛАДНЫЕ ЗАДАЧИ АНАЛИЗА ДАННЫХ
von KV8. Juli 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 :)
von SK23. Feb. 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
von PK23. Mai 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.
von KC28. Mai 2018
качество курса немного хромает по сравнению в предыдущими (менее "академичные лекции, pdf с материалом отсутствует). но в целом, лучшее из прошлых курсов сохранено.
Über den Spezialisierung 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.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Is financial aid available?
Erhalte ich akademische Leistungspunkte für den Abschluss des Kurses?
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
