Дорогие читатели, Нашему шестнадцатилетнему, волонтёрскому и некоммерческому проекту для создания новой, современной версии N-N-N.ru, очень нужно посоветоваться касательно платформы нашего сайта – SYMFONY & DRUPAL 8. Платформа не простая, но обещаем – мы не займём много времени, просто нужна консультационная поддержка квалифицированного разраба. Если вы можете помочь, то связаться с нами можно на страницах Facebook.com здесь и здесь.

Машинное обучение vs. аналитический подход

Какое-то время назад мы нашли свои старые материалы, по которым обучали первые потоки на наших курсах машинного обучения в Школе Данных и сравнили их с теперешними. Мы удивились, сколько всего мы добавили и поменяли за 5 лет обучения. Осознав, почему мы это сделали и как, на самом деле, поменялся подход к решению задач Data Science, мы решили написать вот эту публикацию.

Начинали мы обучение с основных методов и алгоритмов машинного обучения, рассказывали, как их применять на практике, как подбирать параметры, как чистить и готовить данные, как мерить качество. Мы считали (и до сих пор считаем), что подготовка полноценного дейта-саентиста должна в себя включать не только методы классического машинного обучения, но также и методы анализа графов (социальных сетей, SNA), анализа текстов, работу с нейронными сетями и большими данными (Big Data).

Таким образом, на выходе у нас получался эксперт в широкой области Data Science, способный применять обширный арсенал методов на практике. Таких же специалистов мы брали и к себе в бизнес. Сначала в компании, где мы работали и руководили соответствующими направлениями, а потом в свой бизнес по разработке продуктов на основе машинного обучения — Студию Данных.

Но позже мы поняли, что этого не только не достаточно для успешной реализации Data Science проектов, а что это даже и не главное.

Подробнее
Пожалуйста, оцените статью:
Пока нет голосов
Источник(и):

Хабр