МИСиС | Наука о данных

📌Часть 2:

Что предстояло сделать нашим студентам?
✔️проанализировать существующие решения и технологии
✔️выбрать источники данных, подходящих для решения поставленной задачи;
✔️собрать, сгруппировать, очистить и проанализировать данные
✔️сформулировать гипотезы
✔️подобрать и реализовать подходящие методы анализа данных и машинного обучения.
✔️провести эксперименты/протестировать модели, доработать их и проанализировать результаты
✔️описать возможные mvp инструмента
✔️представить результаты заказчику

Что получилось?

На второй неделе июня команды презентовали свои решения, а заказчики и гости делились комментариями о результатах.
Встречи были очень насыщенными. Наши магистранты презентовали (общий срез по всем результатам):

▪️систему аналитики на основе машинного обучения
▪️созданную базу данных с реализованным интерфейсом пользователя для ввода поисковых запросов
▪️результаты прогнозирования на моделях LSTM, H2O AutoML, Cat Boost, H2O XGBoost,
▪️анализ на основе прогнозирования временных рядов
▪️систему аналитики, работающую с прямой и обратной задачей на базе обученной модели fasttext
▪️результаты анализа поисковых запросов на ML моделях – Random Forest и MLP
▪️готовые алгоритмы выявления и анализа трендов

Работа проделана масштабная.
Мы рады, что удалось организовать такую полезную и плотную практику.

Представители компании First Line Software поделились комментарием:
“Очень порадовали решения как нашего кейса, так и других. Ребята показали себя с лучшей стороны, все команды очень сильные, решения нестандартные и дающие хорошие и интересные инсайты. Борьба на рынке за таких спецов предстоит нешуточная”.

Благодарим наших партнёров за предоставление крутых и многогранных задач, а наших магистрантов за ответственный и творческий подход к решениям, принесший ожидаемый и даже немного больший результат! 🤝

Дальше только интересней! 🚀

654 views08:02