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…

Прикладные задачи анализа данных

Прикладные задачи анализа данных

About this 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.

Created by:  Moscow Institute of Physics and Technology

Basic Info
LevelIntermediate
Language
Russian
How To PassPass all graded assignments to complete the course.
User Ratings
Average User Rating 4.4See what learners said
Syllabus
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.
19 videos7 readings4 practice quizzes
  1. Video: Как прекрасны машинное обучение и анализ данных
  2. Video: Как устроена специализация, и зачем ее проходить
  3. Reading: Анкета слушателя
  4. Reading: МФТИ
  5. Video: МФТИ
  6. Reading: Forum&Slack
  7. Video: Временные ряды
  8. Video: Автокорреляция
  9. Video: Стационарность
  10. Practice Quiz: Автокорреляция и стационарность
  11. Video: ARMA
  12. Video: ARIMA
  13. Video: Выбор ARIMA и прогнозирование
  14. Practice Quiz: p, q, P, Q
  15. Video: Анализ остатков
  16. Video: Пример построения прогноза
  17. Reading: Пример построения прогноза [ipython notebook]
  18. Video: Регрессионный подход к прогнозированию
  19. Reading: Слайды к лекциям
  20. Reading: Конспект
  21. Video: Анализ поведения пользователей
  22. Video: Аудиторные метрики: привлечение
  23. Video: Аудиторные метрики: активность
  24. Practice Quiz: Аудиторные показатели: привлечение и активность
  25. Video: Аудиторные метрики: монетизация
  26. Video: Аудиторные метрики: удержание
  27. Practice Quiz: Аудиторные показатели: монетизация и удержание
  28. Video: Прогнозирование оттока пользователей: Постановка задачи
  29. Video: Прогнозирование оттока пользователей: Построение и оценка модели
  30. Reading: Слайды к лекциям
Graded: Прогнозирование временных рядов
Graded: Прогнозирование уровня средней заработной платы в России
Graded: Анализ поведения пользователей
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.
11 videos7 readings
  1. Video: Компьютерное зрение
  2. Video: Задачи компьютерного зрения
  3. Video: "Низкоуровневое" зрение
  4. Video: Линейная фильтрация изображений
  5. Reading: Дополнительные материалы
  6. Reading: Слайды к лекциям
  7. Reading: Конспект
  8. Video: Классификация изображений
  9. Video: Задача классификации изображений на практике
  10. Video: Распознавание лиц
  11. Reading: Слайды к лекциям
  12. Reading: Конспект
  13. Video: Детекция объектов
  14. Video: Стилизация изображений
  15. Video: Распознавание китов
  16. Video: Сбор больших коллекций изображений
  17. Reading: Слайды к лекциям
  18. Reading: Конспект
Graded: Компьютерное зрение
Graded: Анализ изображений
Graded: Практические задачи компьютерного зрения
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.
13 videos6 readings1 practice quiz
  1. Video: Работа с текстовыми данными
  2. Video: Предобработка текста
  3. Video: Извлечение признаков из текста
  4. Practice Quiz: Первичная обработка текстов
  5. Video: Извлечение признаков из текста - 2
  6. Video: Обучение моделей на текстах
  7. Reading: Слайды к лекциям
  8. Reading: Конспекты к лекциям
  9. Video: word2vec
  10. Video: Рекуррентные сети
  11. Reading: Слайды к лекциям
  12. Reading: Конспекты к лекциям
  13. Video: Выделение коллокаций
  14. Video: Языковые модели
  15. Video: Анализ тональности текста
  16. Video: Анализ тональности отзывов
  17. Video: Анализ тональности отзывов: продолжение
  18. Reading: Анализ тональности отзывов [ipython notebook]
  19. Video: Аннотирование
  20. Reading: Слайды к лекциям
Graded: Текстовые данные и работа с ними
Graded: word2vec и рекуррентные сети
Graded: Примеры задач анализа текстов
Graded: Примеры задач анализа текстов
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.
10 videos5 readings
  1. Video: Задача ранжирования
  2. Video: Метрики качества ранжирования
  3. Video: Методы ранжирования
  4. Reading: Слайды к лекциям
  5. Reading: Конспекты к лекциям
  6. Video: Рекомендательные системы
  7. Video: kNN и матричные разложения
  8. Video: Подходы к построению рекомендательных систем
  9. Video: Гибридные рекомендательные системы
  10. Video: Оффлайн оценка качества
  11. Video: Онлайновая оценка качества
  12. Video: Максимизация прибыли магазина
  13. Reading: Слайды к лекциям
  14. Reading: Поделитесь своими впечатлениями о курсе
  15. Reading: Финальные титры
Graded: Ранжирование
Graded: Рекомендательные системы
Graded: Рекомендательные системы-1
Graded: Рекомендательные системы-2
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, Львом 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.
Learn more about this course

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