Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Вы не можете выполнять запрошенное действие.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

== О курсе == Чем мы будем заниматься? Форма отчетности. Ученические проекты. Что такое CRISP-DM? История создания (основатели, предпосылки). Основные шаги методологии. Предполагаемая форма занятий будет следующей. Группа разбивается на 2-3 подгруппы. Каждая подгруппа должна предоставить в конце семестра действующий проект. Проектом называется решение задачи из области анализа данных проведенное от постановки задачи и до внедрения. == Введение в CRISP-DM == Подробное рассмотрение шагов методологии. == Практика 1. Выбор задачи. == Выбор задачи для самостоятельного проекта в течении семестра. Для выбора задачи будет приглашено несколько экспертов, владельцев реальных задач из области анализа данных. Каждый из них выступает с рассказом о текущих проблемах его бизнеса. Студенты задают вопросы. Результатом данного собеседования должна стать концепция проекта для каждого из представителей бизнеса. После общего собеседования, можно провести частные собеседования по группам для того что бы дать возможность получить конкурентное преимущество задав более глубокие вопросы. == Понимание бизнеса == Понимание бизнеса (Business Understanding). К этому моменту бизнес кейсы разобраны подгруппами внутри себя. У студентов готовы постановки задач и "коммерческие предложения" для бизнеса. Начинается работа по проекту. Для того что бы не напрягать внешних людей в компанию к каждому внешнему заказчику добавляется один внутренний эксперт из этой области (Каневский, Ивахненко, Татарчук, Лисица). == Понимание данных == Понимание данных (Data Understanding). К этому моменту должны быть готовы источники данных. Эти данные можно или сгенерировать или взять у представителей бизнеса. Данные развернуты на "боевых" машинах, каждой подгруппе предоставляется по одной виртуальной машине с данными. Студенты начинают разбираться в данных выявляя недочеты и строя общение с заказчиком для того что бы получить более хорошие данные. == Подготовка данных == Подготовка данных (Data Preparation). Находки при подготовке данных. # НСС - создание системы шифрации признаков == Практика 2. Обсуждение текущих дел в проектах. == Промежуточное подведение итогов по поставленным задачам. Отчет студентов. == Моделирование == Моделирование (Modeling). Проблемы подбора моделей. Как быстро выбрать модель. Что делать если модель не подошла? == Оценка == Оценка (Evaluation) == Развертывание == Развертывание (Deployment) == Практика 3. Отчет о текущем положении дел. == Второе промежуточное занятие. Отчет о текущем положении дел. Обсуждение задач и возникших проблем. == Защита проектов 1 == Защита проектов 1. == Защита проектов 2 == Защита проектов 2.

Возврат к странице Участник:Andyray/Курс по датамайнингу.