https://www.wikicshse.ru/index.php?action=history&feed=atom&title=%D0%A1%D0%B5%D1%80%D0%B2%D0%B8%D1%81_%D0%BF%D0%BE_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5_%D1%81_%D0%B3%D0%B5%D0%BE%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D0%BC%D0%B8_%28%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82%29 2026-06-06T19:42:35Z История изменений этой страницы в вики MediaWiki 1.45.3 https://www.wikicshse.ru/index.php?title=%D0%A1%D0%B5%D1%80%D0%B2%D0%B8%D1%81_%D0%BF%D0%BE_%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%B5_%D1%81_%D0%B3%D0%B5%D0%BE%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D0%BC%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)&diff=1789&oldid=prev 2018-10-05T15:51:34Z

<p>Новая страница: «{{Карточка_командного_проекта |name=Сервис по работе с геоданными |company=Яндекс.Недвижимость…»</p> <p><b>Новая страница</b></p><div>{{Карточка_командного_проекта<br /> |name=Сервис по работе с геоданными<br /> |company=Яндекс.Недвижимость<br /> |semester=Осень 2018<br /> |course=3<br /> |number_of_students=3-4<br /> |categorize=yes<br /> }}<br /> <br /> === Что это за проект? ===<br /> В работе с объектами недвижимости принципиально важно знать, из чего состоит их окружение (магазинов, парковых зон, автомагистралей): это позволяет точнее предсказывать стоимость, делать рекомендации качественнее. Так как типов факторов огромное количество, необходимо уметь их корректно обрабатывать, хранить и использовать. <br /> <br /> В проекте предлагается решить несколько задач:<br /> <br /> 1. Реализовать масштабируемую систему доступа к хранимым локально и в хранилище геоданным по адресу (== координатам) и подсчета статистик по ним.<br /> <br /> 2. Научиться обрабатывать пропущенные значения в данных: государственные реестры ведутся не очень качественно, объявлений в городе может быть мало, но признаки в модель передавать нужно. Для этого пропуски предлагается заполнять с помощью различных алгоритмов машинного обучения.<br /> <br /> 3. Генерировать новые признаки для наполнения системы: по спутниковым снимкам определять типологию застройки, строить нейросетевые представления для целых районов.<br /> <br /> === Чему научатся студенты? Что самое интересное в проекте? ===<br /> 1. Работа с данными крупного сервиса, реальными открытыми данными.<br /> <br /> 2. Итоговый сервис должен стабильно работать при ограниченных ресурсах.<br /> <br /> 3. Обучение сложных моделей, в том числе нейросетевых, на больших объёмах данных.<br /> <br /> === Организация работы (Как студенты будут работать в команде?) ===<br /> 1. Регулярные встречи с менторами (раз в 1-2 недели).<br /> <br /> 2. Ревью кода (pep8 будет).<br /> <br /> 3. Каждый студент поработает как над аналитической частью (анализ данных, построение моделей), так и над инженерными задачами (внедрение моделей, проверка качества). При этом возможно и разделение — кто-то больше занимается работой с моделями, кто-то концентрируется на инфраструктурных вопросах.<br /> <br /> === Какие будут использоваться технологии? ===<br /> 1. Python 3 как основной язык для инфраструктуры, обучения и сравнения моделей.<br /> <br /> 2. Docker для развертывания сервиса.<br /> <br /> 3. Git для совместной работы над кодом.<br /> <br /> === Какие начальные требования? ===<br /> 1. Понимание основ машинного обучения.<br /> <br /> 2. Знание Python.<br /> <br /> 3. Приветствуется опыт промышленной разработки.<br /> <br /> === Темы вводных занятий ===<br /> 1. Примеры использования различных геоданных в проектах.<br /> <br /> 2. Обзор различных типов геоданных.<br /> <br /> === Критерии оценки ===<br /> Оценки зависят от итогового результата и вклада каждого участника проекта.<br /> <br /> === Контактная информация ===<br /> vkokhtev@yandex-team.ru<br /> <br /> telegram: @despairazure</div>

imported>Vkokhtev