Online Courses and Tutorials

Onlinecourses.tech provides you with the latest online courses information by assisting over 45,000 courses and 1 million students.

Learn programming, marketing, data science and more.

Get started today

Skip to main content

Data Analysis and Interpretation

About This Specialization Learn SAS or Python programming, expand your knowledge of analytical methods and applications, and conduct original research to inform complex decisions. The Data Analysis and Interpretation Specialization takes you from data novice to data expert in just four project-based courses. You will apply basic data science tools, including data management and visualization, modeling, and machine learning using your choice of either SAS or Python, including pandas and Scikit-learn. Throughout the Specialization, you will analyze a research question of your choice and summarize your insights. In the Capstone Project, you will use real data to address an important issue in society, and report your findings in a professional-quality report. You will have the opportunity to work with our industry partners, DRIVENDATA and The Connection. Help DRIVENDATA solve some of the world's biggest social challenges by joining one of their competitions, or help The Connection be…

Освойте науку о данных.

Освойте науку о данных.


About This Specialization

Вы знакомы с таким понятием, как большой массив данных? Сделайте следующий шаг – станьте профессионалом в этой области, пройдя специализацию «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. Таким образом, каждый курс в рамках специализации включает в себя как теорию, так и практические задания различного уровня сложности.
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.
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 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.
Прохождение специализации поможет вам стать специалистом в одной из самых востребованных и активно развивающихся научных областей!






Created by:
Industry Partners:
courses
6 courses
Follow the suggested order or choose your own.
projects
Projects
Designed to help you practice and apply the skills you learn.
certificates
Certificates
Highlight your new skills on your resume or LinkedIn.
Courses
Intermediate Specialization.
Some related experience required.






  1. COURSE 1

    Математика и Python для анализа данных

    Upcoming session: May 1 — Jun 5.
    Subtitles
    Russian

    About the Course

    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.
    Show or hide details about course Математика и Python для анализа данных

    WEEK 1
    Введение
    Добро пожаловать! На этой неделе мы начнём осваивать язык Python — один из главных инструментов специалиста в науке о данных, и вспомним кое-что о производных, которые активно используются при настройке моделей машинного обучения.

    Video · Как прекрасны машинное обучение и анализ данных

    Video · Как устроена специализация, и зачем ее проходить

    Video · Как устроен этот курс, и в чем его главная особенность

    Reading · Формат специализации и получение сертификата

    Video · МФТИ

    Reading · МФТИ

    Reading · Немного о Yandex

    Reading · Анкета для слушателя

    Reading · Python FAQ

    Reading · Forum&Slack

    Video · Что такое Python, и почему мы выбрали именно его

    Video · Как установить Анаконду. Windows

    Video · Как установить Анаконду. Linux

    Video · Как установить Анаконду. Mac

    Video · Что такое ноутбуки, и как ими пользоваться

    Reading · Знакомство с IPython Notebook

    Practice Quiz · Работа с IPython Notebook

    Peer Review · Установка Python

    Reading · Конспект

    Video · Типы данных

    Reading · Типы данных (ipython notebook)

    Video · Циклы, функции, генераторы, list comprehension

    Practice Quiz · Знакомство с Python

    Video · Чтение данных из файлов

    Reading · Чтение данных из файлов (ipython notebook)

    Video · Запись файлов, изменение файлов

    Reading · Запись файлов, изменение файлов (ipython notebook)

    Practice Quiz · Работа с файлами в Python

    Quiz · Синтаксис Python

    Reading · Конспект

    Video · Функции и их свойства

    Video · Предел и производная

    Video · Геометрический смысл производной

    Video · Производная сложной функции

    Video · Задача нахождения экстремума

    Practice Quiz · Функции и экстремумы

    Video · Вторая производная и выпуклость

    Quiz · Производная и её применения

    Reading · Конспект

    Other · Давайте знакомиться!

    WEEK 2
    Библиотеки Python и линейная алгебра
    На этой неделе мы познакомимся с Python-библиотеками, содержащими большое количество полезных инструментов: от быстрых операций с многомерными массивами до визуализации и реализации различных математических методов. Кроме того, мы освоим линейную алгебру — основной математический аппарат для работы с данными: в большинстве задач данные можно представить в виде векторов или матриц.

    Video · Pandas. Data Frame

    Reading · Pandas. DataFrame (ipython notebook)

    Video · Pandas. Индексация и селекция

    Reading · Pandas. Индексация и селекция (ipython notebook)

    Practice Quiz · Pandas

    Video · Первое знакомство NumPy, SciPy и Matplotlib

    Reading · Первое знакомство с Numpy, Scipy и Matplotlib (ipython notebook)

    Practice Quiz · Numpy

    Video · Решение оптимизационных задач в SciPy

    Quiz · Pandas, Numpy, Scipy, Matplotlib

    Reading · Оптимизация в Scipy (ipython notebook)

    Video · Знакомство с линейной алгеброй

    Video · Векторные пространства

    Practice Quiz · Базовые понятия линейной алгебры

    Video · Линейная независимость

    Practice Quiz · Линейная независимость и размерность

    Video · Операции в векторных пространствах

    Reading · NumPy: векторы и операции над ними

    Quiz · Векторные пространства и NumPy

    Reading · Конспект

    Video · Зачем нужны матрицы?

    Video · Матричные операции

    Practice Quiz · Что можно делать с матрицами?

    Video · Ранг и определитель

    Video · Системы линейных уравнений

    Practice Quiz · Разрешимость систем линейных уравнений и ранги

    Video · Особые виды матриц

    Video · Собственные числа и векторы

    Reading · NumPy: матрицы и операции над ними

    Quiz · Матрицы и NumPy

    Programming Assignment · Линейная алгебра: сходство текстов и аппроксимация функций

    Reading · Конспект

    WEEK 3
    Оптимизация и матричные разложения
    На этой неделе мы научимся с помощью методов оптимизации находить наилучшие значения параметров системы, чтобы минимизировать затраты или максимизировать точность предсказаний, а также познакомимся с матричными разложениями, которые используются при построении регрессионных моделей, для уменьшения размерности данных, в рекомендательных системах и в анализе текстов.

    Video · Частные производные и градиент

    Video · Применение градиента

    Practice Quiz · Частные производные

    Video · Производная по направлению

    Video · Касательная плоскость и линейное приближение

    Video · Направление наискорейшего роста

    Quiz · Градиент и его применения

    Reading · Конспект

    Video · Оптимизация негладких функций

    Practice Quiz · Повторение: гладкость и градиентный спуск

    Video · Метод имитации отжига

    Video · Генетические алгоритмы и дифференциальная эволюция

    Video · Нелдер-Мид

    Quiz · Методы оптимизации в негладких задачах

    Programming Assignment · Оптимизация в Python: глобальная оптимизация и оптимизация негладкой функции

    Reading · Конспект

    Video · Разложения матриц в произведение, сингулярное разложение

    Practice Quiz · Повторение линейной алгебры

    Video · Приближение матрицей меньшего ранга

    Video · Связь сингулярного разложения и приближения матрицей меньшего ранга

    Quiz · Матричные разложения

    Reading · Конспект

    WEEK 4
    Случайность
    На этой неделе мы освоим базовые концепции теории вероятностей и статистики, которые необходимы для понимания механизма работы практически всех методов анализа данных. Мы разберёмся с самыми популярными распределениями, узнаем, какие явления ими описываются и какими статистиками оцениваются их параметры, а также научимся строить доверительные интервалы.

    Video · Случайность в теории вероятностей и статистике

    Video · Свойства вероятности

    Video · Условная вероятность

    Practice Quiz · Вероятность

    Video · Дискретные случайные величины

    Video · Непрерывные случайные величины

    Practice Quiz · Случайные величины

    Reading · Работа со случайными величинами (ipython notebook)

    Quiz · Вероятность и случайные величины

    Reading · Конспект

    Video · Оценка распределения по выборке

    Reading · Оценка распределения по выборке (ipython notebook)

    Video · Важные характеристики распределений

    Video · Важные статистики

    Practice Quiz · Распределения, параметры и оценки

    Video · Центральная предельная теорема

    Video · Доверительные интервалы

    Practice Quiz · ЦПТ и доверительные интервалы

    Peer Review · Центральная предельная теорема своими руками

    Quiz · Статистики

    Reading · Конспект

    Video · Бонусное видео

    Reading · Материалы к бонусному видео

    Reading · Ваши впечатления о курсе

    Reading · Список литературы

    Reading · Финальные титры

  2. COURSE 2

    Обучение на размеченных данных

    Current session: Apr 24 — Jun 5.
    Subtitles
    Russian

    About the Course

    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.
    Show or hide details about course Обучение на размеченных данных

    WEEK 1
    Машинное обучение и линейные модели
    Добро пожаловать на курс "Обучение на размеченных данных"! В этом модуле вы узнаете, что такое машинное обучение, какие в нём бывают постановки задачи, и что особенного в обучении на размеченных данных. Затем вы изучите один из основных способов решения задач обучения на размеченных данных — предсказание с помощью линейных моделей. Мы обсудим, как их настраивать и применять в задачах регрессии и классификации. В практических заданиях вы поработаете с настоящими данными и узнаете, какие проблемы в них можно обнаружить, а также попробуете делать прогнозы при помощи линейных моделей.

    Video · Как прекрасны машинное обучение и анализ данных

    Video · Как устроена специализация, и зачем ее проходить

    Reading · Формат специализации и получение сертификата

    Reading · Немного о Yandex

    Reading · Анкета для слушателя

    Reading · МФТИ

    Video · МФТИ

    Reading · Forum&Slack

    Video · Знакомство с машинным обучением

    Practice Quiz · Основные термины в машинном обучении

    Video · Обучение на размеченных данных

    Video · Обучение без учителя

    Practice Quiz · Типы задач в машинном обучении

    Video · Признаки в машинном обучении

    Quiz · Машинное обучение: задачи и признаки

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Линейные модели в задачах регрессии

    Practice Quiz · Линейная регрессия

    Video · Обучение линейной регрессии

    Video · Градиентный спуск для линейной регрессии

    Video · Стохастический градиентный спуск

    Practice Quiz · Градиентный спуск

    Video · Линейная классификация

    Video · Функции потерь в задачах классификации

    Quiz · Линейные модели

    Peer Review · Линейная регрессия и основные библиотеки Python для анализа данных и научных вычислений

    Programming Assignment · Линейная регрессия и стохастический градиентный спуск

    Reading · Слайды к лекциям

    Reading · Конспект

    Other · Давайте знакомиться!

    WEEK 2
    Борьба с переобучением и оценивание качества
    Вторая неделя нашего курса будет посвящена общим вопросам, с которыми приходится столкнуться в любой задаче анализа данных. Вы узнаете, что такое проблема переобучения, из-за чего она возникает, как её можно обнаружить и как с ней бороться — в частности, вы познакомитесь с кросс-валидацией, с помощью которой можно оценить способность алгоритма давать хорошие предсказания на новых данных. Далее речь пойдёт о метриках качества — без них невозможно понять, подходит ли алгоритм для решения той или иной задачи. Наконец, вы познакомитесь с библиотекой scikit-learn, которая является одним из основных инструментов современных специалистов по анализу данных.

    Video · Проблема переобучения

    Video · Регуляризация

    Practice Quiz · Проблема переобучения

    Video · Оценивание качества алгоритмов

    Video · Сравнение алгоритмов и выбор гиперпараметров

    Quiz · Проблема переобучения и борьба с ней

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Метрики качества в задачах регрессии

    Video · Метрики качества классификации

    Video · Точность и полнота

    Practice Quiz · Как измерить качество алгоритма?

    Video · Объединение точности и полноты

    Video · Качество оценок принадлежности классу

    Quiz · Метрики качества

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Встроенные датасеты. Sklearn.datasets

    Reading · Встроенные датасеты. Sklearn.datasets (ipython notebook)

    Video · Кросс-валидация. Sklearn.cross_validation

    Reading · Кросс-валидация. Sklearn.cross_validation (ipython notebook)

    Practice Quiz · Встроенные датасеты и кросс-валидация

    Video · Линейные модели. Sklearn.linear_model. Классификация

    Reading · Линейные модели. Sklearn.linear_model. Классификация (ipython notebook)

    Video · Линейные модели. Sklearn.linear_model. Регрессия

    Reading · Линейные модели. Sklearn.linear_model. Регрессия (ipython notebook)

    Video · Метрики качества. Sklearn.metrics

    Reading · Метрики качества. Sklearn.metrics (ipython notebook)

    Quiz · Введение в scikit-learn

    Peer Review · Линейная регрессия: переобучение и регуляризация

    Programming Assignment · Метрики в sklearn

    WEEK 3
    Линейные модели: классификация и практические аспекты
    Добро пожаловать на третью неделю курса! Вы уже поработали с линейными моделями, научились измерять их качество и устранять переобучение с помощью регуляризации. Пришло время разобраться, почему регуляризация действительно помогает уменьшить сложность модели или произвести отбор признаков — об этом пойдёт речь в первом уроке. Там же вы познакомитесь с логистической регрессией, которая является одним из наиболее популярных методов для решения задач классификации. Далее вы узнаете о некоторых важных нюансах работы с линейными моделями: масштабировании признаков, переходе в новые признаковые пространства и т.д. Мы не только расскажем обо всём этом, но и покажем, как оно работает в Python и библиотеке scikit-learn.

    Video · Задача регрессии

    Video · Метод максимального правдоподобия

    Practice Quiz · Метод максимального правдоподобия

    Video · Регрессия как максимизация правдоподобия

    Video · Регрессия как оценка среднего

    Video · Регуляризация

    Video · Задача оценивания вероятностей и логистическая регрессия

    Quiz · Линейные модели: статистический взгляд

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Масштабирование признаков

    Video · Спрямляющие пространства

    Video · Работа с категориальными признаками

    Practice Quiz · Линейные модели: подготовка признаков

    Video · Несбалансированные данные

    Video · Многоклассовая классификация

    Quiz · Линейные модели: практические аспекты

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Подбор параметров по сетке. Sklearn.grid_search

    Reading · Подбор параметров по сетке. Sklearn.grid_search (ipython notebook)

    Practice Quiz · Подбор параметров по сетке

    Video · Задача: bike sharing demand

    Reading · Задача Bike Sharing Demand (ipython notebook)

    Video · Задача: bike sharing demand. Продолжение

    Reading · Задача Bike Sharing Demand. Продолжение (ipython notebook)

    Quiz · Анализ данных в scikit-learn

    Programming Assignment · Методы предобработки данных и логистическая регрессия

    Reading · Практика Machine Learning

    WEEK 4
    Решающие деревья и композиции алгоритмов
    Линейные модели — очень важный и полезный, но слишком простой класс алгоритмов в машинном обучении; не во всех задачах они позволяют добиться желаемого качества. В этом модуле вы познакомитесь с новым семейством алгоритмов — решающими деревьями. Они во многом являются полной противоположностью линейных моделей. В частности, сами по себе они очень сложны и подвержены переобучению. При этом оказывается, что если объединить много деревьев в одну сложную модель, то можно получить очень качественное решение. Об этом крайне важном подходе — построении композиций решающих деревьев — мы в основном и будем говорить на этой неделе.

    Video · Решающие деревья

    Video · Обучение решающих деревьев

    Video · Критерии информативности

    Practice Quiz · Построение решающих деревьев

    Video · Критерии останова и стрижка деревьев

    Video · Решающие деревья и категориальные признаки

    Video · Решающие деревья в sklearn

    Reading · Решающие деревья в sklearn (ipython notebook)

    Quiz · Решающие деревья

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Композиции деревьев

    Video · Смещение и разброс

    Practice Quiz · Бэггинг

    Video · Случайные леса

    Video · Трюки со случайными лесами

    Video · Случайные леса в sklearn

    Reading · Случайные леса в sklearn (ipython notebook)

    Quiz · Композиции и случайные леса

    Programming Assignment · Бэггинг и случайный лес

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Композиции простых алгоритмов

    Video · Градиентный бустинг

    Practice Quiz · Обучение композиций и градиентный бустинг

    Video · Борьба с переобучением в градиентном бустинге

    Video · Градиентный бустинг для регрессии и классификации

    Video · Градиентный бустинг над решающими деревьями

    Reading · XGBoost

    Video · Градиентный бустинг в XGBoost

    Reading · Градиентный бустинг в XGBoost (ipython notebook)

    Quiz · Градиентный бустинг: обучение и практические аспекты

    Programming Assignment · Градиентный бустинг своими руками

    Reading · Слайды к лекциям

    Reading · Конспект

    WEEK 5
    Нейронные сети и обзор методов
    Рады приветствовать вас на последней, пятой неделе курса! Мы расскажем ещё о нескольких подходах к решению задач машинного обучения, которые не были затронуты в предыдущих модулях, но при этом играют важную роль в практических задачах. Это нейронные сети, байесовские модели, метрические методы. Вы узнаете, для чего они нужны, и попробуете самостоятельно применить их в практических заданиях.

    Video · Однослойная нейронная сеть

    Video · Многослойная нейронная сеть. Функция ошибки

    Practice Quiz · Функции активации и функции ошибки

    Video · Оптимизация параметров нейронной сети

    Video · Регуляризация и прореживание нейронной сети

    Quiz · Нейронные сети

    Practice Programming Assignment · Нейронные сети

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Байесовская классификация: содержание урока

    Video · Спам-фильтры и наивный байесовский классификатор

    Video · Байесовский классификатор

    Video · Восстановление распределений (часть 1)

    Video · Восстановление распределений (часть 2)

    Practice Quiz · Байесовский классификатор и восстановление распределений

    Video · Минимизация риска

    Video · Минимизация риска и анализ функций потерь

    Quiz · Байесовская классификация и регрессия

    Programming Assignment · Выбор семейства распределений в наивном байесе

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Метрические алгоритмы и SVM: содержание урока

    Video · Метод k ближайших соседей

    Video · Настройка параметров в kNN

    Video · Метрики в kNN

    Video · Проклятие размерности

    Video · Рекомендации фильмов с помощью kNN

    Practice Quiz · Метод k ближайших соседей

    Video · Метод опорных векторов (SVM)

    Video · Ядра в методе опорных векторов (Kernel trick)

    Quiz · kNN и SVM

    Programming Assignment · 1NN против RandomForest

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Теорема Байеса

    Video · Байесовский подход к теории вероятностей

    Video · Байесовские модели в задачах машинного обучения

    Practice Quiz · Байесовская теория

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Бонусное видео

    Reading · Материалы к бонусному видео

    Reading · Ваши впечатления о курсе

    Reading · Список литературы

    Reading · Финальные титры

  3. COURSE 3

    Поиск структуры в данных

    Current session: Apr 24 — May 29.
    Commitment
    4 недели обучения, через 3-5 часа / неделю
    Subtitles
    Russian

    About the Course

    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.
    Show or hide details about course Поиск структуры в данных

    WEEK 1
    Кластеризация
    Добро пожаловать на курс "Поиск структуры в данных"! В этом курсе вы узнаете про задачи машинного обучения, в которых требуется не предсказать целевую переменную, а найти некоторые внутренние закономерности в данных — например, сгруппировать объекты по схожести, или определить наиболее важные признаки. В первом модуле мы изучим задачу кластеризации, направленную на поиск групп близких объектов. Вы узнаете про основные подходы к её решению, а также узнаете, как можно выбрать хороший алгоритм кластеризации, не имея правильных ответов.

    Video · Как прекрасны машинное обучение и анализ данных

    Video · Как устроена специализация, и зачем ее проходить

    Reading · Анкета для слушателя

    Video · Структура уроков

    Video · Задача кластеризации

    Video · Примеры задач кластеризации

    Video · Знакомство с методами кластеризации

    Practice Quiz · Знакомство с кластеризацией

    Video · Пример: кластеризация текстов по теме

    Reading · Блокнот из примера кластеризации текстов

    Video · Выбор метода кластеризации

    Quiz · Введение в кластеризацию

    Reading · Слайды к лекциям

    Reading · Конспект

    Reading · Немного о Yandex

    Reading · МФТИ

    Video · МФТИ

    Reading · Forum&Slack

    Video · Метод K средних (K-Means)

    Video · Expectation Maximization (EM-алгоритм)

    Video · Агломеративная иерархическая кластеризация

    Video · Графовые методы кластеризации

    Practice Quiz · Некоторые методы кластеризации

    Video · Методы, основанные на плотности

    Video · Оценка качества и рекомендации по решению задачи кластеризации

    Quiz · Подробнее о методах кластеризации

    Programming Assignment · Размещение баннеров

    Reading · Слайды к лекциям

    Reading · Конспект

    Other · Давайте знакомиться!

    WEEK 2
    Понижение размерности и матричные разложения
    В предыдущем модуле мы обсуждали, как кластеризовать объекты, а в этом модуле займёмся признаками. Нередко возникают ситуации, в которых далеко не все признаки нужны для решения задачи — или же нужны все, но при этом их слишком много. В этом случае нужно перейти в новое признаковое пространство меньшей размерности. Для этого можно либо отбирать наиболее важные признаки, либо порождать новые на основе исходных — мы обсудим оба подхода. В частности, мы разберёмся с методом главных компонент, который используется в самых разных задачах машинного обучения. Затем мы перейдём к матричным разложениям — мы изучим несколько методов, позволяющих получить приближение исходной матрицы в виде произведения нескольких матриц меньшей размерности. Такая аппроксимация часто используется в задачах машинного обучения, например, для понижения размерности данных, восстановления пропущенных значений в матрицах и построения рекомендательных систем.

    Video · Зачем отбирать признаки?

    Video · Одномерный отбор признаков

    Video · Жадные методы отбора признаков

    Video · Отбор признаков на основе моделей

    Practice Quiz · Отбор признаков

    Video · Понижение размерности

    Video · Метод главных компонент: постановка задачи

    Video · Метод главных компонент: решение

    Quiz · Понижение размерности и отбор признаков

    Programming Assignment · Метод главных компонент

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Матричные разложения

    Video · SGD и ALS

    Video · Прогнозирование неизвестных значений в матрице

    Video · Проблема отсутствия негативных примеров и implicit методы

    Quiz · Матричные разложения

    Video · Вероятностный взгляд на матричные разложения

    Video · Неотрицательные матричные разложения: постановка и решение

    Video · Неотрицательные матричные разложения: функционалы и инициализация

    Practice Quiz · Неотрицательные матричные разложения

    Video · Обработка пропусков

    Reading · Слайды к лекциям

    Reading · Конспект

    WEEK 3
    Визуализация и поиск аномалий
    Добро пожаловать на третью неделю курса! В ней мы обсудим две задачи: обнаружение аномалий и визуализация данных. Обнаружение аномалий направлено на поиск объектов, которые являются особенными в некотором смысле. Например, это могут объекты с такими значениями признаков, которые далеки от имеющихся в обучающей выборке — вполне ожидаемо, что на таких объектах модель выдаст очень плохие прогнозы. Вы узнаете, как можно формально дать определение аномалий и с помощью каких методов можно решать задачу их поиска. Вторая задача, о которой мы поговорим — это визуализация, то есть отображение многомерной выборки в пространство размерности два или три. В теории визуализация близка к понижению размерности — но за счёт того, что нам нужно найти всего два или три признака, можно использовать очень сложные нелинейные методы.

    Video · Задача обнаружения аномалий

    Video · Параметрическое восстановление плотности

    Video · Непараметрическое восстановление плотности

    Practice Quiz · Восстановление плотности

    Video · Одноклассовый SVM

    Quiz · Поиск аномалий

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Задача визуализации

    Video · Многомерное шкалирование

    Video · Метод t-SNE

    Practice Quiz · Методы SNE и t-SNE

    Video · Визуализация данных в sklearn

    Reading · Визуализация данных в sklearn

    Quiz · Визуализация

    Peer Review · Визуализация данных

    Reading · Слайды к лекциям

    Reading · Конспект

    WEEK 4
    Тематическое моделирование
    Люди уже много веков сохраняют свои знания в виде книг, а крупнейшая на сегодняшний день коллекция информации — Интернет — состоит из огромного количества текстов. Тексты, по сути, являются наиболее популярным видом данных, и поэтому очень важно уметь искать в них закономерности. Тематическое моделирование — это способ семантического анализа коллекции текстовых документов. Тематическая модель позволяет для каждого документа найти темы, которые его описывают, и кроме того показывает, какие слова характеризуют ту или иную тему. Другими словами, мы находим более компактное представление большого набора текстов в виде нескольких тем. С математической точки зрения тематическая модель — это еще один вид матричного разложения, где в качестве исходной матрицы выступает матрица частот слов в документах. На четвертой неделе мы поговорим о том, где применяют тематические модели, какие они бывают, как их строить и как оценивать.

    Video · Введение в тематическое моделирование

    Video · Постановка задачи тематического моделирования

    Video · Базовые тематические модели и EM-алгоритм

    Practice Quiz · Постановка задачи и базовые понятия

    Video · Регуляризация тематических моделей

    Video · Мультимодальные тематические модели

    Quiz · Тематическое моделирование-1

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Внутренние критерии качества тематических моделей

    Video · Внешние критерии качества тематических моделей

    Practice Quiz · Критерии качества тематических моделей

    Video · Визуализация тематических моделей

    Video · Тематические модели на практике

    Video · Пример использования библиотеки gensim для построения тематической модели

    Reading · Ноутбук из демонстрации использования gensim

    Programming Assignment · Тематическое моделирование

    Video · Установка BigARTM в Windows

    Video · Установка BigARTM в Linux Mint

    Video · Установка BigARTM в Mac OS-X

    Video · Пример использования библиотеки BigARTM для построения тематической модели

    Reading · Ноутбук из демонстрации использования BigARTM

    Quiz · Тематическое моделирование-2

    Practice Peer Review · Тематическая модель Постнауки

    Reading · Слайды к лекциям

    Reading · Конспект

    Reading · Ваши впечатления о курсе

    Reading · Финальные титры

  4. COURSE 4

    Построение выводов по данным

    Upcoming session: May 1 — Jun 5.
    Commitment
    4 недели обучения, через 2-4 часа / неделю
    Subtitles
    Russian

    About the Course

    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.
    Show or hide details about course Построение выводов по данным

    WEEK 1
    Интервалы и гипотезы
    Добро пожаловать на курс "Построение выводов по данным"! В этом модуле вы узнаете, как работают базовые статистические техники — интервальное оценивание и проверка гипотез. В тестах вас ждёт большое количество задач с реальными данными на применение этих техник.

    Video · Как прекрасны машинное обучение и анализ данных

    Video · Как устроена специализация, и зачем ее проходить

    Video · Выводы и рациональность

    Reading · Формат специализации и получение сертификата

    Video · Проблемы построения выводов

    Video · Примеры прикладных задач

    Video · Как устроен этот курс

    Reading · Немного о Yandex

    Reading · Анкета слушателя

    Reading · МФТИ

    Video · МФТИ

    Reading · Forum&Slack

    Video · Интервальные оценки с помощью квантилей

    Video · Доверительные интервалы с помощью квантилей

    Video · Распределения, производные от нормального

    Video · Доверительные интервалы для среднего

    Reading · Доверительные интервалы для среднего [ipython notebook]

    Practice Quiz · Доверительные интервалы для среднего

    Video · Доверительные интервалы для доли

    Reading · Доверительные интервалы для доли [ipython notebook]

    Video · Доверительные интервалы для двух долей

    Reading · Доверительные интервалы для двух долей [ipython notebook]

    Practice Quiz · Доверительные интервалы для долей

    Video · Доверительные интервалы на основе бутстрепа

    Reading · Доверительные интервалы на основе бутстрепа [ipython notebook]

    Quiz · Доверительные интервалы

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Проверка гипотез: начало

    Video · Ошибки I и II рода

    Video · Достигаемый уровень значимости

    Video · Статистическая и практическая значимость

    Practice Quiz · Теория проверки гипотез

    Video · Биномиальный критерий для доли

    Reading · Биномиальный критерий для доли [ipython notebook]

    Video · Критерии согласия Пирсона (хи-квадрат)

    Reading · Критерии согласия Пирсона (хи-квадрат) [ipython notebook]

    Video · Связь между проверкой гипотез и доверительными интервалами

    Quiz · Практика проверки гипотез

    Reading · Слайды к лекциям

    Reading · Конспект

    Other · Давайте знакомиться!

    WEEK 2
    АБ-тестирование
    Вторая неделя посвящена задачам АБ-тестирования — статистической технике, позволяющей оценить действие изменений в вашем продукте на конечного пользователя. Вы узнаете, как правильно такой эксперимент строить и какими методами анализировать.

    Video · Что такое АБ-тестирование

    Video · Где используется АБ-тестирование

    Video · Метрики

    Video · Дизайн эксперимента

    Video · Устойчивость

    Video · Размер выборки

    Practice Quiz · Планирование эксперимента

    Reading · Конспект

    Video · Одновыборочные критерии Стьюдента

    Video · Двухвыборочные критерии Стьюдента, независимые выборки

    Video · Двухвыборочные критерии Стьюдента, связанные выборки

    Video · Нормальность выборок

    Video · Пример: применение критериев Стьюдента

    Reading · Применение критериев Стьюдента [ipython notebook]

    Practice Quiz · Критерии Стьюдента

    Video · Гипотезы о долях

    Video · Пример: проверка гипотез о долях

    Reading · Проверка гипотез о долях [ipython notebook]

    Quiz · Параметрические критерии

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Как работают непараметрические критерии?

    Video · Критерии знаков

    Video · Ранговые критерии

    Video · Перестановочные критерии

    Video · Перестановки и бутстреп

    Video · Пример: одновыборочные непараметрические критерии

    Reading · Одновыборочные непараметрические критерии [ipython notebook]

    Video · Пример: двухвыборочные непараметрические критерии (связанные выборки)

    Reading · Двухвыборочные непараметрические критерии (связанные выборки) [ipython notebook]

    Video · Пример: двухвыборочные непараметрические критерии (независимые выборки)

    Reading · Двухвыборочные непараметрические критерии (независимые выборки) [ipython notebook]

    Quiz · Непараметрические критерии

    Reading · Слайды к лекциям

    Reading · Конспект

    WEEK 3
    Закономерности и зависимости
    На этой неделе мы будем искать закономерности и выявлять зависимости. Для этого можно использовать разные методы; мы поговорим о корреляционных и регрессионных. Поскольку в основе этих методов лежит проверка большого количества гипотез, необходимо делать поправку на множественность — почему и как, вы тоже узнаете.

    Video · Взаимное влияние в продажах товаров

    Video · Внешние факторы, влияющие на продажи

    Reading · Конспект

    Video · Корреляция Пирсона

    Video · Корреляция Спирмена

    Video · Корреляция Мэтьюса и коэффициент Крамера

    Video · Пример: поиск взаимосвязей с помощью корреляции

    Reading · Поиск взаимосвязей с помощью корреляции [ipython notebook]

    Practice Quiz · Коэффициенты корреляции

    Video · Значимость корреляции

    Video · Булщит и консервативность

    Video · Корреляция и причинно-следственная связь

    Quiz · Корреляционный анализ

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · В чем проблема?

    Video · Постановка

    Video · FWER. Поправка Бонферрони

    Video · FWER. Метод Холма

    Video · FDR. Метод Бенджамини-Хохберга

    Video · Пример: поправки на множественную проверку при корреляционном анализе

    Reading · Поправки на множественную проверку при корреляционном анализе [ipython notebook]

    Practice Quiz · Поправки на множественную проверку

    Video · Анализ подгрупп

    Quiz · Множественная проверка гипотез

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Взаимосвязь нескольких признаков

    Video · Свойства решения задачи

    Video · Интервалы и гипотезы

    Video · Проверка предположений

    Practice Quiz · Теория построения регрессии

    Video · Регрессия и причинно-следственные связи

    Video · Пример: оценка зависимости с помощью регрессии

    Reading · Оценка зависимости с помощью регрессии [ipython notebook]

    Quiz · Практика построения регрессии

    Reading · Слайды к лекциям

    Reading · Конспект

    Reading · Q&A

    WEEK 4
    Неделя задач
    На этой неделе мы поговорим с экспертами в прикладных областях анализа данных и узнаем, чем особенны их задачи, какие методы построения выводов они используют, и на что они советуют обращать внимание. Для прохождения курса вам нужно решить как минимум два задания, но, если вам интересно, вы можете сделать все.

    Video · Интервью с Дмитрием Виноградовым

    Programming Assignment · Дифференциально экспрессированные гены

    Video · Интервью с Алексеем Шатерниковым про скоринг

    Peer Review · Анализ данных в задаче кредитного скоринга

    Video · Интервью с Еленой Кунаковой

    Quiz · Анализ результатов АБ-теста

    Video · Интервью с Алексеем Шатерниковым про отток

    Quiz · Анализ эффективности удержания

    Other · Вопросы экспертам

    Reading · Список литературы

    Reading · Ваши впечатления о курсе

    Reading · Финальные титры

  5. COURSE 5

    Прикладные задачи анализа данных

    Current session: Apr 24 — May 29.
    Subtitles
    Russian

    About the Course

    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.
    Show or hide details about course Прикладные задачи анализа данных

    WEEK 1
    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.

    Video · Как прекрасны машинное обучение и анализ данных

    Video · Как устроена специализация, и зачем ее проходить

    Reading · Анкета слушателя

    Reading · МФТИ

    Video · МФТИ

    Reading · Forum&Slack

    Video · Временные ряды

    Video · Автокорреляция

    Video · Стационарность

    Practice Quiz · Автокорреляция и стационарность

    Video · ARMA

    Video · ARIMA

    Video · Выбор ARIMA и прогнозирование

    Practice Quiz · p, q, P, Q

    Video · Анализ остатков

    Quiz · Прогнозирование временных рядов

    Video · Пример построения прогноза

    Reading · Пример построения прогноза [ipython notebook]

    Peer Review · Прогнозирование уровня средней заработной платы в России

    Video · Регрессионный подход к прогнозированию

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Анализ поведения пользователей

    Video · Аудиторные метрики: привлечение

    Video · Аудиторные метрики: активность

    Practice Quiz · Аудиторные показатели: привлечение и активность

    Video · Аудиторные метрики: монетизация

    Video · Аудиторные метрики: удержание

    Practice Quiz · Аудиторные показатели: монетизация и удержание

    Video · Прогнозирование оттока пользователей: Постановка задачи

    Video · Прогнозирование оттока пользователей: Построение и оценка модели

    Quiz · Анализ поведения пользователей

    Reading · Слайды к лекциям

    WEEK 2
    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.

    Video · Компьютерное зрение

    Video · Задачи компьютерного зрения

    Video · "Низкоуровневое" зрение

    Video · Линейная фильтрация изображений

    Quiz · Компьютерное зрение

    Reading · Дополнительные материалы

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Классификация изображений

    Video · Задача классификации изображений на практике

    Video · Распознавание лиц

    Programming Assignment · Анализ изображений

    Reading · Слайды к лекциям

    Reading · Конспект

    Video · Детекция объектов

    Video · Стилизация изображений

    Video · Распознавание китов

    Video · Сбор больших коллекций изображений

    Quiz · Практические задачи компьютерного зрения

    Reading · Слайды к лекциям

    Reading · Конспект

    WEEK 3
    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.

    Video · Работа с текстовыми данными

    Video · Предобработка текста

    Video · Извлечение признаков из текста

    Practice Quiz · Первичная обработка текстов

    Video · Извлечение признаков из текста - 2

    Video · Обучение моделей на текстах

    Quiz · Текстовые данные и работа с ними

    Reading · Слайды к лекциям

    Reading · Конспекты к лекциям

    Video · word2vec

    Video · Рекуррентные сети

    Quiz · word2vec и рекуррентные сети

    Reading · Слайды к лекциям

    Reading · Конспекты к лекциям

    Video · Выделение коллокаций

    Video · Языковые модели

    Video · Анализ тональности текста

    Video · Анализ тональности отзывов

    Video · Анализ тональности отзывов: продолжение

    Reading · Анализ тональности отзывов [ipython notebook]

    Programming Assignment · Примеры задач анализа текстов

    Video · Аннотирование

    Quiz · Примеры задач анализа текстов

    Reading · Слайды к лекциям

    WEEK 4
    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.

    Video · Задача ранжирования

    Video · Метрики качества ранжирования

    Video · Методы ранжирования

    Quiz · Ранжирование

    Reading · Слайды к лекциям

    Reading · Конспекты к лекциям

    Video · Рекомендательные системы

    Video · kNN и матричные разложения

    Video · Подходы к построению рекомендательных систем

    Video · Гибридные рекомендательные системы

    Video · Оффлайн оценка качества

    Video · Онлайновая оценка качества

    Video · Максимизация прибыли магазина

    Programming Assignment · Рекомендательные системы

    Quiz · Рекомендательные системы-1

    Quiz · Рекомендательные системы-2

    Reading · Слайды к лекциям

    Reading · Поделитесь своими впечатлениями о курсе

    Reading · Финальные титры

  6. COURSE 6

    Анализ данных: финальный проект

    Upcoming session: May 22 — Jul 17.
    Subtitles
    Russian

    About the Capstone Project

    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.
    Show or hide details about course Анализ данных: финальный проект

    WEEK 1
    Неделя 1

    Reading · О грядущих проектах

    Reading · Как это работает?

    Practice Quiz · Выбор проекта

    Reading · Общее описание проекта "Идентификация интернет-пользователей"

    Programming Assignment · Подготовка данных к анализу и построению моделей

    Video · Циклы, функции, генераторы

    Video · Чтение данных из файлов

    Video · Запись файлов, изменение файлов

    Video · Pandas. Data Frame

    Video · Pandas. Индексация и селекция

    Reading · Прогнозирование оттока пользователей телекоммуникационной компании

    Peer Review · Описательный анализ данных

    Reading · Жёлтое такси в Нью-Йорке

    Peer Review · Знакомство с данными и агрегация

    Programming Assignment · Анализ тональности отзывов на фильмы: строим простые модели

    WEEK 2
    Неделя 2

    Programming Assignment · Подготовка и первичный анализ данных

    Video · Доверительные интервалы для доли

    Video · Биномиальный критерий для доли

    Video · Доверительные интервалы на основе бутстрепа

    Peer Review · Подготовка данных для построения модели

    Peer Review · Работа с геоданными

    Programming Assignment · Настройка параметров

    WEEK 3
    Неделя 3

    Peer Review · Визуальный анализ данных и построение признаков

    Video · Задача визуализации

    Video · Визуализация данных в sklearn

    Peer Review · Прогнозирование ряда со сложной сезонностью

    Peer Review · Построение baseline-решений

    Peer Review · Соревнование по сентимент-анализу

    WEEK 4
    Неделя 4

    Programming Assignment · Сравнение алгоритмов классификации

    Peer Review · Построение и оптимизация модели

    Peer Review · Прогнозирование большого количества рядов

    Peer Review · Демонстрация работы алгоритма

    WEEK 5
    Неделя 5

    Peer Review · Соревнование по идентификации пользователей и SGDClassifier

    Peer Review · Эксперименты с моделью прогнозирования оттока

    Peer Review · Прогнозирование с помощью регрессии

    Peer Review · Парсинг веб-страниц

    WEEK 6
    Неделя 6

    Programming Assignment · Vowpal Wabbit

    Peer Review · Оценка эффекта от внедрения полученного решения

    Peer Review · Дополнительные признаки

    Peer Review · Разработка сентимент-анализа под задачу заказчика

    WEEK 7
    Неделя 7

    Peer Review · Отчет о выполненном проекте

    Peer Review · Подготовка отчета о проведенном исследовании

    Peer Review · Оформление проекта

    Peer Review · Демонстрация алгоритма для заказчика

    Reading · Финальные титры

Creators:
Московский физико-технический институт
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.

Comments

Popular posts from this blog

An Introduction to Interactive Programming in Python (Part 1)

About this course: This two-part course is designed to help students with very little or no computing background learn the basics of building simple interactive applications. Our language of choice, Python, is an easy-to learn, high-level computer language that is used in many of the computational courses offered on Coursera. To make learning Python easy, we have developed a new browser-based programming environment that makes developing interactive applications in Python simple. These applications will involve windows whose contents are graphical and respond to buttons, the keyboard and the mouse. In part 1 of this course, we will introduce the basic elements of programming (such as expressions, conditionals, and functions) and then use these elements to create simple interactive applications such as a digital stopwatch. Part 1 of this class will culminate in building a version of the classic arcade game "Pong".
Who is this class for: Recommended Background - A knowledge o…

Introduction to Data Science in Python

About this course: This course will introduce the learner to the basics of the python programming environment, including how to download and install python, expected fundamental python programming techniques, and how to find help with python programming questions. The course will also introduce data manipulation and cleaning techniques using the popular python pandas data science library and introduce the abstraction of the DataFrame as the central data structure for data analysis. The course will end with a statistics primer, showing how various statistical measures can be applied to pandas DataFrames. By the end of the course, students will be able to take tabular data, clean it,  manipulate it, and run basic inferential statistical analyses. This course should be taken before any of the other Applied Data Science with Python courses: Applied Plotting, Charting & Data Representation in Python, Applied Machine Learning in Python, Applied Text Mining in Python, Applied Social Ne…

Learn to Program and Analyze Data with Python

About This Specialization This Specialization builds on the success of the Python for Everybody course and will introduce fundamental programming concepts including data structures, networked application program interfaces, and databases, using the Python programming language. In the Capstone Project, you’ll use the technologies learned throughout the Specialization to design and create your own applications for data retrieval, processing, and visualization. Created by: 5 courses Follow the suggested order or choose your own. Projects Designed to help you practice and apply the skills you learn. Certificates Highlight your new skills on your resume or LinkedIn. Courses

Archive