About this Specialization
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 рамках специализации вы освоите основные темы, необходимые в работе с большим массивом данных, в т.ч. современные методы классификации и регрессии, поиск структуры в данных, проведение экспериментов, построение выводов, базовая фундаментальная математика, основы программирования на Python. Мы разберём, как построить рекомендательную систему, оценить эмоциональную окраску текста, спрогнозировать спрос на товар, оценить вероятность клика по рекламе и т.д. В финале вам потребуется выполнить проект собственной системы, решающей любую актуальную для бизнеса задачу. Результатом будет наглядная работающая модель, которую вы сможете использовать в вашей повседневной работе или продемонстрировать на собеседовании.
| From | Moscow Institute of Physics and Technology, Yandex, E-Learning Development Fund via Coursera |
|---|---|
| Hours | 133 |
| Instructors | Евгений Рябенко, Евгений Соколов, Виктор Кантор, Эмели Драль, Evgeniy Ryabenko, Evgeny Sokolov, Victor Kantor, Emeli Dral, Evgeniy Riabenko, Константин Воронцов, Антон Слесарев |
| Language | Russian |
| Subjects | Data Science Programming Mathematics |
Similar Courses
Sorted by relevance
Careers
An overview of related careers and their average salaries in the US. Bars indicate income percentile (33rd - 99th).
Courses in this Specialization
Listed in the order in which they should be taken
| Starts | Course Information | |
|---|---|---|
|
Jan |
Математика и Python для анализа данных (You were viewing this course) Анализ данных и машинное обучение существенно опираются на результаты из математического анализа, линейной алгебры, методов оптимизации, теории вероятностей. Без фундаментальных... Coursera | Moscow Institute of Physics and Technology, Yandex, E-Learning Development Fund |
Save
|
|
Jan |
Обучение на размеченных данных Обучение на размеченных данных или обучение с учителем – это наиболее распространенный класс задач машинного обучения. К нему относятся те задачи, где нужно научиться... Coursera | Moscow Institute of Physics and Technology, Yandex, E-Learning Development Fund |
Save
|
|
Jan |
В машинном обучении встречаются задачи, где нужно изучить структуру данных, найти в них скрытые взаимосвязи и закономерности. Например, нам может понадобиться описать каждого... Coursera | Moscow Institute of Physics and Technology, Yandex, E-Learning Development Fund |
Save
|
|
Jan |
Влияет ли знание методов анализа данных на уровень заработной платы? Работает ли система оценки кредитоспособности клиентов банка? Действительно ли новый баннер лучше старого?... Coursera | Moscow Institute of Physics and Technology, Yandex, E-Learning Development Fund |
Save
|
|
Jan |
Прикладные задачи анализа данных Методы машинного обучения — будь то алгоритмы классификации или регрессии, методы кластеризации или алгоритмы понижения размерности — применяются к подготовленным данным с... Coursera | Moscow Institute of Physics and Technology, Yandex, E-Learning Development Fund |
Save
|
|
Feb |
Анализ данных: финальный проект 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... Coursera | Moscow Institute of Physics and Technology, Yandex, E-Learning Development Fund |
Save
|
&
| From | Moscow Institute of Physics and Technology, Yandex, E-Learning Development Fund via Coursera |
|---|---|
| Hours | 133 |
| Instructors | Евгений Рябенко, Евгений Соколов, Виктор Кантор, Эмели Драль, Evgeniy Ryabenko, Evgeny Sokolov, Victor Kantor, Emeli Dral, Evgeniy Riabenko, Константин Воронцов, Антон Слесарев |
| Language | Russian |
| Subjects | Data Science Programming Mathematics |
Careers
An overview of related careers and their average salaries in the US. Bars indicate income percentile (33rd - 99th).
Similar Courses
Sorted by relevance
