Chevron Left
Вернуться к Прикладные задачи анализа данных

Отзывы учащихся о курсе Прикладные задачи анализа данных от партнера Московский физико-технический институт

4.4
звезд
Оценки: 703
Рецензии: 107

О курсе

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....

Лучшие рецензии

KV
8 июля 2017 г.

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 :)

PK
23 мая 2018 г.

Отличный вводный курс, как и вся специализация. Доступно и понятно изложены все базовые вещи, которые могут потребоваться в повседневной деятельности в качестве data scientist.

Фильтр по:

1–25 из 105 отзывов о курсе Прикладные задачи анализа данных

автор: Павел С

23 июля 2018 г.

В курсе много поверхностных вещей, хотя в целом он полезный

Анализ изображений - очень много болтовни и мало практики, но там хотя бы упражнение полезное и интересное

А вот анализ текстов мне совсем не понравился

Пример и задание поверхностные и не интересные. Вместо того чтобы углубиться в характерные для анализа текстов вещи - лемматизация, стемминг, учет биграмм, стоп-слова, word2vec и т.д., дали оценку обычных классификаторов над какими то признаками, которые, кстати, в этом модуле вообще не обсуждались. А те особенности которые обсуждались - не показаны. В данных примерах почти ничего нового!

За тест по ранжированию в первом модуле недели 4 тоже жирный дизлайк. Там одни и те же ответы переформулированные, при этом все в некотором смысле могут быть правильными. Проблема с этим тестом известна уже более 2х лет судя по форуму, почему бы не переделать?

автор: Somov O

25 июля 2018 г.

Самый легкий курс за всю специализацию, самое полезное на мой взгляд - анализ временных рядов

автор: Vadim K

4 янв. 2019 г.

Один из самых лёгких курсов программы. Понравилась обзорность курса, но вот полезность с точки зрения практики около нулевая. Первая неделя рассказала про прогнозирование временных рядов конкретными моделями, но не рассказано насколько эти модели приближены к реальности, даже с заработной платой оказалось, что прогноз далёк от реальности, не рассказано и про регрессию на основе каких-то базовых показателей типо ВВП, инфляции итд итп. Вторая неделя про компьютерная зрения раскрывает интересную тему, но задания оторваны от лекций, а сами лекции толком ничего не рассказывают, опять таки годится в качестве обзора, но не годится в качестве обучения. Третья неделя выделяется в положительную сторону. Четвертая неделя оставила двоякое впечатление, квиз на 3 задание которого все жалуются, и последнее задание, в котором из-за порядка данных решение не принимается. В последнем задании так же неясна практическая ценность. В общем, хотелось бы, чтобы над этим курсом ещё поработали, он выглядит очень сырым.

автор: Ivan S

21 янв. 2019 г.

Замечательный курс, полный примеров из реальной жизни для получения опыта. Очень полезные и понятные лекции, конспекты. Очень рад, что смог пройти этот курс.

автор: Oleg P

2 дек. 2016 г.

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..

автор: Кузьмин Ю

4 февр. 2018 г.

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).

автор: Лавренов Д В

11 окт. 2019 г.

Слишком обзорный материал на лекциях по некоторым темам курса. И задачки есть интересные, а есть явно не соответствующие по уровню материалам лекций. Я бы сказал, что только с прогнозированием временных рядов было интересно работать. Остальные задачи слишком упрощены.

Отдельный негатив по компьютерному зрению. Тут вообще сплошной негатив. Материал лекций слишком поверхностный, никакого понимания применяемых архитектур сетей, принципов их применения не появилось даже близко. Практическая задача так же слишком простая. Делается даже не прослушав лекции, никакого понимания не требует. В общем, от недели по компьютерному зрению сухой остаток равен нулю.

Из положительных впечатлений - уроки про прогнозирование временных рядов, про анализ текстов, про рекомендательные системы. Тут по крайней мере материалы лекций были очень полезны.

автор: Dmitry K

28 дек. 2016 г.

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 (

автор: Domnin V

12 мар. 2019 г.

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.

автор: Petr K

23 мая 2018 г.

Отличный вводный курс, как и вся специализация. Доступно и понятно изложены все базовые вещи, которые могут потребоваться в повседневной деятельности в качестве data scientist.

автор: Egor G

9 мая 2019 г.

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...)

автор: Рогозин А

21 апр. 2020 г.

Во всей специализации от этого курса самые смешанные впечатления. Курс явно сырой.

Плюсы: хорошо объяснили временные ряды, обработку текста, ранжирование и рекомендательные системы.

Минусы:

- полный провал по компьютерному зрению. Лекции были больше обзорными, они не раскрывали глубоко тему компьютерного зрения. С задачей, судя по форуму, около 3 лет есть проблемы - ответы со старых версий библиотек принимаются грейдером, а с новых - нет.

- В самой специальности с нейронными сетями туго - их не объясняли толком.

- Задание по рекомендательным системам трудно объяснили, из-за чего пришлось повозиться и почитать форум, чтобы разобраться в его логике.

автор: Fatvvs F

8 янв. 2019 г.

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

автор: Denis L

5 дек. 2017 г.

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

автор: Gleb S

12 июня 2018 г.

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

автор: Sergey K

20 мая 2018 г.

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

автор: P A b

24 сент. 2017 г.

Отсутвие конспектов

Не рабочий Тензорфлоу

Задания сделаны на тяп-ляп

автор: Artur K

3 дек. 2016 г.

В данном курсе рассматриваются такие темы, как анализ и прогнозирование временных рядов, применение нейросетей к распознаванию изображений, анализ текстов, ранжирование и рекомендательные системы. В целом осталось очень хорошее впечатление от курса, хотя некоторые темы обсуждаются слишком поверхностно (например нейросети), но этого не избежать при таком ограничении на продолжительность курса. По-хорошему, по всем этим темам лучше прослушать отдельные углубленные курсы.

Манера изложения материала понравилась. Преподаватели, как мне кажется, нашли баланс между доступностью и полнотой изложения.

Единственное, на что хотелось бы обратить внимание команды курса - задание по программированию по рекомендательным системам из 4 недели допускает несколько неоднозначных трактовок условий и формулировок (в части, например, precision@k). См. обсуждение в форуме.

автор: Sergei B

30 окт. 2016 г.

Хороший курс. Было очень интересно узнать о прогнозировании временных рядов (ARIMA). И анализ текстов понравился - полезный материал.

Из минусов. Часто было ощущение, что идем как-то по верхам теории, хотелось больше примеров. В частности это относится ко второй неделе (компьютерное зрение). Тема мега-интересная, но чего-то не хватило. Может быть, стоило более глубоко разобрать какую-то одну конкретную задачу по шагам.

Напоследок, несколько добрых слов :) За 5 курсов специализации у меня сформировался хороший кругозор в теме машинного обучения и анализа данных. При необходимости могу быстро решить почти любую типовую задачу. Хотя, начинал проходить специализацию с нуля и местами было тяжело. В общем огромное спасибо всем преподавателям! Жду дипломный проект :)

автор: Chesnokov M

15 нояб. 2016 г.

Хотел сказать большое спасибо организаторам и лекторам за замечательный курс и отличную специализацию! На 5 курсе, на мой взгляд, лучше всего проработаны недели про анализ временных рядов и текст майнинг - они запомнились и материалы из них можно будет использовать в дальнейшем. Стоит отметить, что недели про обработку изображений и рекомендательные системы проработаны немного хуже чем вышеупомянутые. Цельного рассказа про нейронные сети, на мой взгляд, в этом курсе не получилось.

В целом курс отличный, поэтому хочу еще раз поблагодарить организаторов и лекторов за те знания, которыми они делятся=)

автор: Artem D

21 янв. 2019 г.

Финальный проект очень понравился (делал "Идентификация интернет-пользователей")! Реальная практика применения моделей, а также сабмишна на Каггле.

Если ваши заания длительное время не проверяют, не переживайте, к концу сессии народ точно появится.

Еще раз: проект очень классный и инересный! Не без шероховатостей, но все решаемо, в т.ч. с помощью форума.

автор: Evgeniy S

15 мар. 2017 г.

Отличный курс. Наконец-то я дождался анализа временных рядов) По сравнению с первыми курс дается легче в плане решения задач, но это от того, что все направления показаны скорее для ознакомления, чтобы каждый мог выбрать то, что ему по душе. А там уже можно погружаться сколь угодно долго. Жаль что специализация близится к концу!

автор: Zhassulan S

9 апр. 2020 г.

Крутой курс! Даёт возможность вкатиться в работу с различными постановками задач и типами данных (временные ряды, изображения, текстовые данные, ранжирование). В целом будет полезно в качестве холодного старта, а также расширения кругозора.

автор: Ленар С

2 июня 2018 г.

интересный курс. правда неделя про машинное зрение скорее не про машинное зрение, а про легкое введение в tensorflow, нет ощущения, что по этой теме получаешь знания из programming assignment. а так в целом полезные и итересные задания

автор: Kira V

9 июля 2017 г.

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 :)