Chevron Left
返回到 Прикладные задачи анализа данных

學生對 莫斯科物理科学与技术学院 提供的 Прикладные задачи анализа данных 的評價和反饋

4.4
614 個評分
92 個審閱

課程概述

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. Видео курса разработаны на Python 2. Задания и ноутбуки к ним адаптированы к Python 3....

熱門審閱

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.

篩選依據:

51 - Прикладные задачи анализа данных 的 75 個評論(共 90 個)

創建者 Романов Н

Aug 02, 2019

В целом курс хороший, но неделя с нейросетями - мрак.

創建者 Metelkin P

Sep 09, 2019

Курс понравился, за исключением раздела про нейронные сети и анализ изображений (на мой взгляд, тема заслуживает отдельного курса, как с точки зрения рассматриваемых моделей и подходов, так и с точки зрения особенностей применения нейронных сетей в прикладных задачах)

創建者 Игнатов К А

Oct 03, 2019

Большинство тем разобрано в качестве начального/обзорного уровня. Но есть полезные ссылки для более глубокого самостоятельного изучения.

創建者 Поздняков Ю О

Dec 29, 2018

Тесты очень напрягают. Хотелось бы иметь больше примеров задач и разборов решений с цифрами от а до я.

創建者 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

創建者 Domnin V

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.

創建者 Dmitry K

Dec 28, 2016

Качественно представлена информация по анализу временных рядов (Евгений, как всегда, - на высоте) .

Информация по нейронным сетям- поверхностный экскурс, усложненный инсталляцией Python 3.5, вызвала не только разочарование, но и раздражение необходимостью самостоятельного поиска дополнительных инструкций для установки Tensorflow под Windows7. Тема, достойна отдельного курса, но не в такой (сырой) форме изложения .

Отсутствие конспектов лекций превратили многие тестовые задания в "угадайку"...

В сравнении с 1-4 курсами качество этого курса заметно ниже (

創建者 Gleb S

Jun 12, 2018

Начало курса было интересным, но откровенно разочаровали практические задания. Вторая половина курса оказалась очень поверхностной и реального опыта не дала

創建者 Александр

Nov 20, 2017

Многократные попытки ответить на контрольные вопросы (точнее на один из них) опираясь на материал лекции ни к чему не привели. Либо лекция не раскрывает тему достаточно для правильного ответа, либо формулировка вопросов некорректна.

創建者 Arsenii M

Aug 02, 2017

Местами очень сыро и непонятно. Честно говоря, худший курс специализации, особенно подкачала вторая неделя. Зачем-то рассказывают о соревнованиях и сложных архитектурах, при это нет реальных примеров в Питоне, полезной информации очень мало. Я надеюсь, вы её переработаете.

創建者 Sergey K

May 20, 2018

Самый неудачный курс специализации. Лекции поверхностные, формулировки заданий неоднозначные. Квиз из 4 недели вообще угадайка.

創建者 Stanislav L

Dec 05, 2017

В сравнении с предыдущими курсами, этот какой-то проходящий. Какого-то особого смысла я в нём не увидел. Некоторые задачи решались просто одним вызовом, без особого погружения в смысл, остальные - зачастую подбором ответов.

Очень понравился раздел по работе с текстами. Всё-таки, подача материала часто определяет впечатление от курса.

創建者 Yuriy K

Jan 23, 2017

В общем и целом курс хороший, но тема про ранжирование сделана очень плохо. Особенно хочу отметить квиз про ранжирование. За него отдельное "спасибо".

創建者 Denis L

Dec 05, 2017

По сравнению с прошлыми курсами - галопом пронеслись через все интересное и в конце уткнулись в жестокое, беспощадное и малоослмысленное практическое задание

創建者 Sergey O

Oct 23, 2016

"Сырая" вторая неделя, не очень понятное задание финальной недели.

創建者 Шумилкин А Ю

Jan 09, 2018

Самый неудачный курс в специализации. Предыдущие четыре были замечательными, здесь понравились только временные ряды и анализ текстов. Все остальное либо рассказано странно, либо сопровождается странными заданиями, либо еще что-либо

創建者 Oleg P

Dec 02, 2016

Я прочитал отзывы других людей и после прохождения курса решил оставить свой. Мне кажется, для оценки курса нужно разделить работу, которую проделали создатели курса, от собственно материала этого курса. Действительно, создать целую специализацию с нуля - это невероятно. Большое вам спасибо за эту специализацию и за ваше время, вы - первые среди русскоязычных курсов и сделали все очень замечательно.

Но, если говорить именно об этом курсе, то сделан он не очень хорошо.

1. Это не прикладные задачи анализа данных. Скорее его надо назвать: "Обо всем, о чем не рассказали в прошлых курсах". Это как другие курсы этой специализации, то есть, про разнообразные методы, но еще и довольно плохо объясненный.

2. Единственный кусочек этого курса, который действительно про прикладные задачи - сделан Эмели Драль на первой неделе. Спасибо большое, Эмели! Можно брать и идти работать.

3. Лекция про нейронные сети начинается, "что такое нейронные сети, было разобрано в предыдущих лекциях". Нет, этого разобрано не было.

4. Такое ощущение, что этот курс был сделан раньше всех остальных курсов специализации. Авторы предположили, какой материал учащиеся уже должны будут знать к пятому курсу специализации, и начали свои объяснения не с базовых вещей. А примерно с середины. В итоге - не понятно, очень отрывочно, сыро. Такие знания никуда не приложишь.

5. Третья неделя курса - гораздо лучше объяснена в курсе "Поиск структуры в данных". Четвертая неделя курса - невероятно сумбурная. Много формул, но немного спасло домашнее задание.

Делать этот курс можно ради первой недели (вторая - интересная, но самостоятельно сделать что-то, ее прослушав, не получится) или ради того, чтобы добраться до финального проекта.

Пока так..

創建者 Evgeny D

Jun 02, 2017

3й вопрос в тесте про ранжирование сильно подпортил впечатление о всем курсе.

創建者 Коваленко М В

Mar 01, 2018

За временные ряды)

創建者 Амиров Р М

Jul 19, 2017

Интересный курс, за исключением раздела про анализ изображений

創建者 Кузьмин Ю

Feb 04, 2018

Самое последнее задание - если вы не слишком уверенно знаете Pandas, лучше отвести на него 2-3 дня. Очень криво и местами неверно написано условие, много разных подсказок на форуме (без них я бы, наверное, ещё неделю пытался разобраться). Самое сложное, на мой взгляд, задание на все 5 курсов... Но, при этом, оно чётко даёт понять, что Data Science - не всегда красивые формулы и интересные модели: иногда это - муторная работа с данными и почти никакой математики.

Очень понравилась неделя 1 - анализ временных рядов. Супер!

Компьютерное зрение - поверхностный курс, а также требуются довольно сложные манипуляции, чтобы просто приступить к задаче.

Остальное не слишком интересно и не слишком сложно (2-3 недели закончил за 2 выходных), кроме самой последней задачи. За последнюю задачу, тем не менее, спасибо - если авторы решили этим показать "другую сторону медали". Мне пришлось сделать над собой усилие, чтобы её закончить (на все остальные я тратил не более 3-4 часов, как правило, а тут - несколько дней точно убил).

創建者 Anvar A

Jun 23, 2018

Поставил 3 за плохую неделю с компьютерным зрением. Нейронные сети должны преподаваться отдельным курсом (слишком большая тема). В дополнение, формулировка задачи по ранжированию тоже ужасная. Пришлось помучиться с заданием. Из хорошего. Неделя по временным рядам классная. Неделя с текстами тоже интересная. В любом случае, спасибо за организацию курса и специализации!

創建者 Egor G

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...)

創建者 Vladimir A

May 25, 2019

Полезно, но поверхностно. Часть про временные ряды скучновата, зато про нейронные сети слушать было одно удовольствие.

創建者 Даркшевич А Н

Nov 05, 2019

Очень поверхностно