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

Теория отраслевых рынков (Industrial Organization)

About this course: Курс посвящен факторам, влияющим на размер компаний и структуру рынка. Почему на одних рынках преобладают малые компании, а на другом крупные? Продавцы принимают решения стратегически, однако их стимулы в свою очередь зависят от структуры рынка и от предшествующих решений. Как разделить между зоной предопределенных и свободных решений? Например, сговор как модель ценового поведения – предопределен структурой рынка или служит результатом свободного волеизъявления? Способны ли укоренившиеся на рынке продавцы препятствовать входу новичков, защищая свою рыночную долю и свою прибыль? Каковы лучшие способы предотвращения ценовых сговоров продавцов? Нужно ли (или по крайней мере желательно) запрещать или ограничивать слияния между крупными продавцами? Есть ли необходимость для государственной политики налагать ограничения на условия договоров между производителем и дистрибьютором? Как в этих условиях должна быть организована государственная политика (применение антимоноп…

Математика и Python для анализа данных

Математика и Python для анализа данных

About this 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.

Who is this class for: Этот курс предназначен в первую очередь для тех, кто уже имеет техническое образование, но либо достаточно давно имел дело с аппаратом математического анализа, линейной алгебры, методов оптимизации, теории вероятностей и математической статистики, либо в свое время не смог в полной мере проникнуться красотой и практической полезностью этих областей математики. Вспомнить уже забытое или ближе познакомиться с тем, что с первого раза не показалось таким уж захватывающим, — крайне важно для понимания методов машинного обучения, ведь всё в машинном обучении делается на языке математики. Мы постарались сделать это напоминание или новое знакомство максимально приближенным к тем задачам, которые будут рассматриваться в следующих курсах. Освобождая изложение от громоздких формализмов и используя простые аналогии, мы, однако, столкнулись с тем, что какие-то вопросы получилось осветить не настолько подробно, чтобы с помощью наших лекций можно было познакомиться с высшей математикой впервые. В этом случае будет очень полезно вместе с прохождением курса обратиться к изучению материалов из списка литературы.

Created by:  Moscow Institute of Physics and Technology, Yandex

  • Евгений Рябенко
    Taught by:  Евгений Рябенко, кандидат физико-математических наук, доцент
    факультет управления и прикладной математики

  • Евгений Соколов
    Taught by:  Евгений Соколов, преподаватель, руководитель исследовательской группы
    Yandex Data Factory

  • Виктор Кантор
    Taught by:  Виктор Кантор, преподаватель, руководитель исследовательской группы
    Yandex Data Factory

  • Эмели Драль
    Taught by:  Эмели Драль, Teacher, head of the YDF research group
    Yandex Data Factory
Basic Info
LevelBeginner
Language
Russian
How To PassPass all graded assignments to complete the course.
User Ratings
Average User Rating 4.8See what learners said
Syllabus
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. 
19 videos13 readings4 readings
  1. Video: Как прекрасны машинное обучение и анализ данных
  2. Video: Как устроена специализация, и зачем ее проходить
  3. Video: Как устроен этот курс, и в чем его главная особенность
  4. Reading: Формат специализации и получение сертификата
  5. Video: МФТИ
  6. Reading: МФТИ
  7. Reading: Немного о Yandex
  8. Reading: Анкета для слушателя
  9. Reading: Python FAQ
  10. Reading: Forum&Slack
  11. Video: Что такое Python, и почему мы выбрали именно его
  12. Video: Как установить Анаконду. Windows
  13. Video: Как установить Анаконду. Linux
  14. Video: Как установить Анаконду. Mac
  15. Video: Что такое ноутбуки, и как ими пользоваться
  16. Reading: Знакомство с IPython Notebook
  17. Practice Quiz: Работа с IPython Notebook
  18. Reading: Конспект
  19. Video: Типы данных
  20. Reading: Типы данных (ipython notebook)
  21. Video: Циклы, функции, генераторы, list comprehension
  22. Practice Quiz: Знакомство с Python
  23. Video: Чтение данных из файлов
  24. Reading: Чтение данных из файлов (ipython notebook)
  25. Video: Запись файлов, изменение файлов
  26. Reading: Запись файлов, изменение файлов (ipython notebook)
  27. Practice Quiz: Работа с файлами в Python
  28. Reading: Конспект
  29. Video: Функции и их свойства
  30. Video: Предел и производная
  31. Video: Геометрический смысл производной
  32. Video: Производная сложной функции
  33. Video: Задача нахождения экстремума
  34. Practice Quiz: Функции и экстремумы
  35. Video: Вторая производная и выпуклость
  36. Reading: Конспект
  37. Discussion Prompt: Давайте знакомиться!
Graded: Установка Python
Graded: Синтаксис Python
Graded: Производная и её применения
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.
14 videos8 readings6 readings
  1. Video: Pandas. Data Frame
  2. Reading: Pandas. DataFrame (ipython notebook)
  3. Video: Pandas. Индексация и селекция
  4. Reading: Pandas. Индексация и селекция (ipython notebook)
  5. Practice Quiz: Pandas
  6. Video: Первое знакомство NumPy, SciPy и Matplotlib
  7. Reading: Первое знакомство с Numpy, Scipy и Matplotlib (ipython notebook)
  8. Practice Quiz: Numpy
  9. Video: Решение оптимизационных задач в SciPy
  10. Reading: Оптимизация в Scipy (ipython notebook)
  11. Video: Знакомство с линейной алгеброй
  12. Video: Векторные пространства
  13. Practice Quiz: Базовые понятия линейной алгебры
  14. Video: Линейная независимость
  15. Practice Quiz: Линейная независимость и размерность
  16. Video: Операции в векторных пространствах
  17. Reading: NumPy: векторы и операции над ними
  18. Reading: Конспект
  19. Video: Зачем нужны матрицы?
  20. Video: Матричные операции
  21. Practice Quiz: Что можно делать с матрицами?
  22. Video: Ранг и определитель
  23. Video: Системы линейных уравнений
  24. Practice Quiz: Разрешимость систем линейных уравнений и ранги
  25. Video: Особые виды матриц
  26. Video: Собственные числа и векторы
  27. Reading: NumPy: матрицы и операции над ними
  28. Reading: Конспект
Graded: Pandas, Numpy, Scipy, Matplotlib
Graded: Векторные пространства и NumPy
Graded: Матрицы и NumPy
Graded: Линейная алгебра: сходство текстов и аппроксимация функций
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.
12 videos3 readings3 readings
  1. Video: Частные производные и градиент
  2. Video: Применение градиента
  3. Practice Quiz: Частные производные
  4. Video: Производная по направлению
  5. Video: Касательная плоскость и линейное приближение
  6. Video: Направление наискорейшего роста
  7. Reading: Конспект
  8. Video: Оптимизация негладких функций
  9. Practice Quiz: Повторение: гладкость и градиентный спуск
  10. Video: Метод имитации отжига
  11. Video: Генетические алгоритмы и дифференциальная эволюция
  12. Video: Нелдер-Мид
  13. Reading: Конспект
  14. Video: Разложения матриц в произведение, сингулярное разложение
  15. Practice Quiz: Повторение линейной алгебры
  16. Video: Приближение матрицей меньшего ранга
  17. Video: Связь сингулярного разложения и приближения матрицей меньшего ранга
  18. Reading: Конспект
Graded: Градиент и его применения
Graded: Методы оптимизации в негладких задачах
Graded: Оптимизация в Python: глобальная оптимизация и оптимизация негладкой функции
Graded: Матричные разложения
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.
11 videos8 readings4 readings
  1. Video: Случайность в теории вероятностей и статистике
  2. Video: Свойства вероятности
  3. Video: Условная вероятность
  4. Practice Quiz: Вероятность
  5. Video: Дискретные случайные величины
  6. Video: Непрерывные случайные величины
  7. Practice Quiz: Случайные величины
  8. Reading: Работа со случайными величинами (ipython notebook)
  9. Reading: Конспект
  10. Video: Оценка распределения по выборке
  11. Reading: Оценка распределения по выборке (ipython notebook)
  12. Video: Важные характеристики распределений
  13. Video: Важные статистики
  14. Practice Quiz: Распределения, параметры и оценки
  15. Video: Центральная предельная теорема
  16. Video: Доверительные интервалы
  17. Practice Quiz: ЦПТ и доверительные интервалы
  18. Reading: Конспект
  19. Video: Бонусное видео
  20. Reading: Материалы к бонусному видео
  21. Reading: Ваши впечатления о курсе
  22. Reading: Список литературы
  23. Reading: Финальные титры
Graded: Вероятность и случайные величины
Graded: Центральная предельная теорема своими руками
Graded: Статистики
How It Works
Coursework
Coursework
Each course is like an interactive textbook, featuring pre-recorded videos, quizzes and projects.
Help from Your Peers
Help from Your Peers
Connect with thousands of other learners and debate ideas, discuss course material, and get help mastering concepts.
Certificates
Certificates
Earn official recognition for your work, and share your success with friends, colleagues, and employers.
Creators
Moscow Institute of Physics and Technology
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.
Yandex

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