このコースについて
120,248 最近の表示

100%オンライン

自分のスケジュールですぐに学習を始めてください。

柔軟性のある期限

スケジュールに従って期限をリセットします。

中級レベル

約43時間で修了

推奨:8 hours/week...

ロシア語

字幕:ロシア語

習得するスキル

Random ForestPython ProgrammingMachine LearningSupervised Learning

100%オンライン

自分のスケジュールですぐに学習を始めてください。

柔軟性のある期限

スケジュールに従って期限をリセットします。

中級レベル

約43時間で修了

推奨:8 hours/week...

ロシア語

字幕:ロシア語

シラバス - 本コースの学習内容

1
9時間で修了

Машинное обучение и линейные модели

Добро пожаловать на курс "Обучение на размеченных данных"! В этом модуле вы узнаете, что такое машинное обучение, какие в нём бывают постановки задачи, и что особенного в обучении на размеченных данных. Затем вы изучите один из основных способов решения задач обучения на размеченных данных — предсказание с помощью линейных моделей. Мы обсудим, как их настраивать и применять в задачах регрессии и классификации. В практических заданиях вы поработаете с настоящими данными и узнаете, какие проблемы в них можно обнаружить, а также попробуете делать прогнозы при помощи линейных моделей.

...
13件のビデオ (合計82分), 8 readings, 8 quizzes
13件のビデオ
Знакомство с машинным обучением11 分
Обучение на размеченных данных5 分
Обучение без учителя5 分
Признаки в машинном обучении8 分
Линейные модели в задачах регрессии9 分
Обучение линейной регрессии6 分
Градиентный спуск для линейной регрессии7 分
Стохастический градиентный спуск4 分
Линейная классификация6 分
Функции потерь в задачах классификации6 分
8件の学習用教材
Формат специализации и получение сертификата10 分
Немного о Yandex10 分
МФТИ10 分
Forum&Chat10 分
Слайды к лекциям10 分
Конспект10 分
Слайды к лекциям10 分
Конспект10 分
6の練習問題
Основные термины в машинном обучении6 分
Типы задач в машинном обучении6 分
Машинное обучение: задачи и признаки12 分
Линейная регрессия4 分
Градиентный спуск4 分
Линейные модели8 分
2
9時間で修了

Борьба с переобучением и оценивание качества

Вторая неделя нашего курса будет посвящена общим вопросам, с которыми приходится столкнуться в любой задаче анализа данных. Вы узнаете, что такое проблема переобучения, из-за чего она возникает, как её можно обнаружить и как с ней бороться — в частности, вы познакомитесь с кросс-валидацией, с помощью которой можно оценить способность алгоритма давать хорошие предсказания на новых данных. Далее речь пойдёт о метриках качества — без них невозможно понять, подходит ли алгоритм для решения той или иной задачи. Наконец, вы познакомитесь с библиотекой scikit-learn, которая является одним из основных инструментов современных специалистов по анализу данных.

...
14件のビデオ (合計126分), 9 readings, 8 quizzes
14件のビデオ
Сравнение алгоритмов и выбор гиперпараметров4 分
Метрики качества в задачах регрессии10 分
Метрики качества классификации4 分
Точность и полнота8 分
Объединение точности и полноты5 分
Качество оценок принадлежности классу12 分
Встроенные датасеты. Sklearn.datasets15 分
Кросс-валидация. Sklearn.cross_validation9 分
Линейные модели. Sklearn.linear_model. Классификация10 分
Линейные модели. Sklearn.linear_model. Регрессия7 分
Метрики качества. Sklearn.metrics13 分
9件の学習用教材
Слайды к лекциям10 分
Конспект10 分
Слайды к лекциям10 分
Конспект10 分
Встроенные датасеты. Sklearn.datasets (ipython notebook)10 分
Кросс-валидация. Sklearn.cross_validation (ipython notebook)10 分
Линейные модели. Sklearn.linear_model. Классификация (ipython notebook)10 分
Линейные модели. Sklearn.linear_model. Регрессия (ipython notebook)10 分
Метрики качества. Sklearn.metrics (ipython notebook)10 分
6の練習問題
Проблема переобучения6 分
Проблема переобучения и борьба с ней10 分
Как измерить качество алгоритма?6 分
Метрики качества10 分
Встроенные датасеты и кросс-валидация8 分
Введение в scikit-learn10 分
3
7時間で修了

Линейные модели: классификация и практические аспекты

Добро пожаловать на третью неделю курса! Вы уже поработали с линейными моделями, научились измерять их качество и устранять переобучение с помощью регуляризации. Пришло время разобраться, почему регуляризация действительно помогает уменьшить сложность модели или произвести отбор признаков — об этом пойдёт речь в первом уроке. Там же вы познакомитесь с логистической регрессией, которая является одним из наиболее популярных методов для решения задач классификации. Далее вы узнаете о некоторых важных нюансах работы с линейными моделями: масштабировании признаков, переходе в новые признаковые пространства и т.д. Мы не только расскажем обо всём этом, но и покажем, как оно работает в Python и библиотеке scikit-learn.

...
14件のビデオ (合計97分), 7 readings, 7 quizzes
14件のビデオ
Регрессия как оценка среднего4 分
Регуляризация8 分
Задача оценивания вероятностей и логистическая регрессия8 分
Масштабирование признаков6 分
Спрямляющие пространства5 分
Работа с категориальными признаками4 分
Несбалансированные данные5 分
Многоклассовая классификация4 分
Подбор параметров по сетке. Sklearn.grid_search9 分
Задача: bike sharing demand15 分
Задача: bike sharing demand. Продолжение13 分
7件の学習用教材
Слайды к лекциям10 分
Конспект10 分
Слайды к лекциям10 分
Конспект10 分
Подбор параметров по сетке. Sklearn.grid_search (ipython notebook)10 分
Задача Bike Sharing Demand (ipython notebook)10 分
Задача Bike Sharing Demand. Продолжение (ipython notebook)10 分
6の練習問題
Метод максимального правдоподобия6 分
Линейные модели: статистический взгляд14 分
Линейные модели: подготовка признаков6 分
Линейные модели: практические аспекты6 分
Подбор параметров по сетке6 分
Анализ данных в scikit-learn12 分
4
10時間で修了

Решающие деревья и композиции алгоритмов

Линейные модели — очень важный и полезный, но слишком простой класс алгоритмов в машинном обучении; не во всех задачах они позволяют добиться желаемого качества. В этом модуле вы познакомитесь с новым семейством алгоритмов — решающими деревьями. Они во многом являются полной противоположностью линейных моделей. В частности, сами по себе они очень сложны и подвержены переобучению. При этом оказывается, что если объединить много деревьев в одну сложную модель, то можно получить очень качественное решение. Об этом крайне важном подходе — построении композиций решающих деревьев — мы в основном и будем говорить на этой неделе.

...
17件のビデオ (合計114分), 10 readings, 8 quizzes
17件のビデオ
Критерии останова и стрижка деревьев4 分
Решающие деревья и категориальные признаки8 分
Решающие деревья в sklearn10 分
Композиции деревьев6 分
Смещение и разброс9 分
Случайные леса6 分
Трюки со случайными лесами4 分
Случайные леса в sklearn7 分
Композиции простых алгоритмов5 分
Градиентный бустинг7 分
Борьба с переобучением в градиентном бустинге6 分
Градиентный бустинг для регрессии и классификации4 分
Градиентный бустинг над решающими деревьями5 分
Градиентный бустинг в XGBoost5 分
10件の学習用教材
Решающие деревья в sklearn (ipython notebook)10 分
Слайды к лекциям10 分
Конспект10 分
Случайные леса в sklearn (ipython notebook)10 分
Слайды к лекциям10 分
Конспект10 分
XGBoost10 分
Градиентный бустинг в XGBoost (ipython notebook)10 分
Слайды к лекциям10 分
Конспект10 分
6の練習問題
Построение решающих деревьев8 分
Решающие деревья14 分
Бэггинг6 分
Композиции и случайные леса8 分
Обучение композиций и градиентный бустинг4 分
Градиентный бустинг: обучение и практические аспекты8 分
4.8
252件のレビューChevron Right

50%

コース終了後に新しいキャリアをスタートした

58%

コースが具体的なキャリアアップにつながった

33%

昇給や昇進につながった

Обучение на размеченных данных からの人気レビュー

by RNJan 21st 2017

Один из лучших курсов по обучению на размеченных данных. Немного расстраивали несбалансированность сложности домашних заданий и промежуточных проверок правильности подготовки данных в заданиях.

by YDAug 8th 2018

Отличный курс. Меньше чем за месяц появилось базовое понимание обучения на размеченных данных и принципов ML.\n\nМного практики, грамотные преподаватели и качественные pdf сделали своё дело.

講師

Avatar

Константин Воронцов

доктор физико-математических наук, профессор
Кафедра интеллектуальных систем

モスクワ物理工科大学(Moscow Institute of Physics and Technology)について

Московский физико-технический институт (Физтех) является одним из ведущих вузов страны и входит в основные рейтинги лучших университетов мира. Институт обладает не только богатой историей – основателями и профессорами института были Нобелевские лауреаты Пётр Капица, Лев Ландау и Николай Семенов – но и большой научно-исследовательской базой. Основой образования в МФТИ является уникальная «система Физтеха», сформулированная Петром Капицей: кропотливый отбор одаренных и склонных к творческой работе абитуриентов; участие в обучении ведущих научных работников; индивидуальный подход к отдельным студентам с целью развития их творческих задатков; воспитание с первых шагов в атмосфере технических исследований и конструктивного творчества с использованием потенциала лучших лабораторий страны. Среди выпускников МФТИ — нобелевские лауреаты Андрей Гейм и Константин Новоселов, основатель компании ABBYY Давид Ян, один из авторов архитектурных принципов построения вычислительных комплексов Борис Бабаян и др....

Yandexについて

Yandex is a technology company that builds intelligent products and services powered by machine learning. Our goal is to help consumers and businesses better navigate the online and offline world....

Машинное обучение и анализ данныхの専門講座について

Мы покажем, как проходит полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Вы научитесь пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач. В рамках специализации вы освоите основные темы, необходимые в работе с большим массивом данных, в т.ч. современные методы классификации и регрессии, поиск структуры в данных, проведение экспериментов, построение выводов, базовая фундаментальная математика, основы программирования на Python. Мы разберём, как построить рекомендательную систему, оценить эмоциональную окраску текста, спрогнозировать спрос на товар, оценить вероятность клика по рекламе и т.д. В финале вам потребуется выполнить проект собственной системы, решающей любую актуальную для бизнеса задачу. Результатом будет наглядная работающая модель, которую вы сможете использовать в вашей повседневной работе или продемонстрировать на собеседовании. Все, прошедшие специализацию, могут принять участие в Программе трудоустройства. Если вы заинтересованы в новых проектах, новых перспективах и возможностях - пройдите обучение по Специализации и подайте заявку....
Машинное обучение и анализ данных

よくある質問

  • 修了証に登録すると、すべてのビデオ、テスト、およびプログラミング課題(該当する場合)にアクセスできます。ピアレビュー課題は、セッションが開始してからのみ、提出およびレビューできます。購入せずにコースを検討することを選択する場合、特定の課題にアクセスすることはできません。

  • コースに登録する際、専門講座のすべてのコースにアクセスできます。コースの完了時には修了証を取得できます。電子修了証が成果のページに追加され、そこから修了証を印刷したり、LinkedInのプロフィールに追加したりできます。コースの内容の閲覧のみを希望する場合は、無料でコースを聴講できます。

さらに質問がある場合は、受講者向けヘルプセンターにアクセスしてください。