机器学习和数据分析 专项课程

于 2月 20 开始

机器学习和数据分析 专项课程

机器学习和数据分析

Освойте науку о данных и научитесь решать с помощью ее методов прикладные задачи

本专项课程介绍

Специализация покрывает основные темы, необходимые специалисту в науке о данных: современные методы классификации и регрессии, поиска структуры в данных, проведения экспериментов, построения выводов, базовую фундаментальную математику, благодаря которой они работают, а также основы программирования на Python. В центре внимания — типовые задачи машинного обучения и анализа данных: мы разберём, как построить рекомендательную систему, оценить эмоциональную окраску текста, спрогнозировать спрос на товар, оценить вероятность клика по рекламе, предсказать победителя битвы в онлайн-игре, оценить кредитоспособность клиента банка, поставить диагноз по данным генетических анализов пациента. 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. В конце обучения вас ждет финальный проект, в рамках которого вы построите свою собственную систему, решающую один из важных для бизнеса типов задач. Результатом будет наглядная работающая модель, которую вы сможете использовать в вашей повседневной работе или продемонстрировать на собеседовании. Мы уверены, что наша специализация поможет вам стать специалистом в науке о данных — одной из самых востребованных и активно развивающихся областей знаний!

制作方:

行业合作伙伴:

courses
6 courses

按照建议的顺序或选择您自己的顺序。

projects
项目

旨在帮助您实践和应用所学到的技能。

certificates
证书

在您的简历和领英中展示您的新技能。

课程
Intermediate Specialization.
Some related experience required.
  1. 第 1 门课程

    Математика и Python для анализа данных

    即将开课的班次:2月 20 — 3月 27。
    字幕
    Russian

    课程概述

    Анализ данных и машинное обучение существенно опираются на результаты из математического анализа, линейной алгебры, методов оптимизации, теории вероятностей. Без фундаментальных знаний по этим наукам невозможно понимать, как устроены методы анализа данных. Задача этого курса — сформировать такой фундамент. Мы обойдёмся без сложных формул и доказательств и сделаем упор на интерпретации и понимании смысла математических понятий и объектов. Для успешного применения методов анализа данных нужно уметь программировать. Фактическим стандартом для этого в наши дни является язык Python. В данном курсе мы предлагаем познакомиться с его синтаксисом, а также научиться работать с его основными библиотеками, полезными для анализа данных, например, NumPy, SciPy, Matplotlib и Pandas.
  2. 第 2 门课程

    Обучение на размеченных данных

    即将开课的班次:2月 27 — 4月 10。
    字幕
    Russian

    课程概述

    Обучение на размеченных данных или обучение с учителем – это наиболее распространенный класс задач машинного обучения. К нему относятся те задачи, где нужно научиться предсказывать некоторую величину для любого объекта, имея конечное число примеров. Это может быть предсказание уровня пробок на участке дороги, определение возраста пользователя по его действиям в интернете, предсказание цены, по которой будет куплена подержанная машина. В этом курсе вы научитесь формулировать и, конечно, решать такие задачи. В центре нашего внимания будут успешно применяемые на практике алгоритмы классификации и регрессии: линейные модели, нейронные сети, решающие деревья и так далее. Особый акцент мы сделаем на такой мощной технике как построение композиций, которая позволяет существенно повысить качество отдельных алгоритмов и широко используется при решении прикладных задач. В частности, мы узнаем про случайные леса и про метод градиентного бустинга. Построение предсказывающих алгоритмов — это лишь часть работы при решении задачи анализа данных. Мы разберемся и с другими этапами: оценивание обобщающей способности алгоритмов, подбор параметров модели, выбор и подсчет метрик качества.
  3. 第 3 门课程

    Поиск структуры в данных

    即将开课的班次:2月 27 — 4月 3。
    课程学习时间
    4 недели обучения, через 3-5 часа / неделю
    字幕
    Russian

    课程概述

    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.
  4. 第 4 门课程

    Построение выводов по данным

    即将开课的班次:2月 20 — 3月 27。
    课程学习时间
    4 недели обучения, через 2-4 часа / неделю
    字幕
    Russian

    课程概述

    Влияет ли знание методов анализа данных на уровень заработной платы? Работает ли система оценки кредитоспособности клиентов банка? Действительно ли новый баннер лучше старого? Чтобы ответить на такие вопросы, нужно собрать данные. Данные почти всегда содержат шум, поэтому утверждения, которые можно сделать на их основе, верны не всегда, а только с определённой вероятностью. Строить наиболее корректные выводы и численно оценивать степень уверенности в них помогают методы статистики. Как можно оценивать неизвестные параметры системы по небольшому количеству наблюдений? Как измерить точность таких оценок? Какие данные нужны, чтобы ответить на ваш вопрос, и на какие вопросы можно ответить с помощью уже имеющихся данных? Вы узнаете все, что нужно для успешного превращения данных в выводы — организация экспериментов, A/B-тестирование, универсальные методы оценки параметров и проверки гипотез, корреляции и причинно-следственные связи.
  5. 第 5 门课程

    Прикладные задачи анализа данных

    当前班次:2月 13 — 3月 20。
    字幕
    Russian

    课程概述

    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.
  6. 第 6 门课程

    Анализ данных: финальный проект

    即将开课的班次:3月 27 — 5月 22。
    字幕
    Russian

    毕业项目介绍

    Финальный проект даст вам возможность применить полученные в рамках специализации знания к задаче из реального мира. Под руководством успешных специалистов в науке о данных вы сможете поработать над актуальным проектом в одной из областей: электронная коммерция, социальные медиа, информационный поиск, бизнес-аналитика и др. В отличие от задач, основанных на модельных данных, работа над проектом из реальной жизни даст вам возможность самостоятельно пройти все этапы анализа данных — от подготовки данных до построения финальной модели и оценки её качества. В результате в вашем арсенале появится проект, который вы сможете использовать на практике и самостоятельно развивать в дальнейшем. Наличие такого проекта станет вашим конкурентным преимуществом, ведь вы всегда сможете продемонстрировать успешный проект потенциальному работодателю.

制作方

  • 莫斯科物理科学与技术学院

    Partner marketing field

    Московский физико-технический институт (неофициально известный как МФТИ или Физтех) является одним из самых престижных в мире учебных и научно-исследовательских институтов. Он готовит высококвалифицированных специалистов в области теоретической и прикладной физики, прикладной математики, информатики, биотехнологии и смежных дисциплин. Физтех был основан в 1951 году Нобелевской премии лауреатами Петром Капицей, Николаем Семеновым, Левом Ландау и Сергеем Христиановичем. Основой образования в МФТИ является уникальная «система Физтеха»: кропотливое воспитание и отбор самых талантливых абитуриентов, фундаментальное образование высшего класса и раннее вовлечение студентов в реальную научно-исследовательскую работу. Среди выпускников МФТИ есть Нобелевские лауреаты, основатели всемирно известных компаний, известные космонавты, изобретатели, инженеры.

  • Евгений Соколов

    Евгений Соколов

    преподаватель, руководитель исследовательской группы
  • Антон Слесарев

    Антон Слесарев

    руководитель группы распознавания образов Яндекс
  • Константин Воронцов

    Константин Воронцов

    доктор физико-математических наук, профессор
  • Эмели Драль

    Эмели Драль

    преподаватель, руководитель исследовательской группы
  • Евгений Рябенко

    Евгений Рябенко

    кандидат физико-математических наук, доцент
  • Виктор Кантор

    Виктор Кантор

    преподаватель, руководитель исследовательской группы

FAQs

More questions? Visit the Learner Help Center.