このコースについて

174,719 最近の表示

受講生の就業成果

33%

コース終了後に新しいキャリアをスタートした

50%

コースが具体的なキャリアアップにつながった

45%

昇給や昇進につながった
共有できる証明書
修了時に証明書を取得
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59時間で修了
ロシア語

習得するスキル

Random ForestPython ProgrammingMachine LearningSupervised Learning

受講生の就業成果

33%

コース終了後に新しいキャリアをスタートした

50%

コースが具体的なキャリアアップにつながった

45%

昇給や昇進につながった
共有できる証明書
修了時に証明書を取得
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59時間で修了
ロシア語

提供:

Placeholder

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

Placeholder

Yandex

Placeholder

E-Learning Development Fund

シラバス - 本コースの学習内容

コンテンツの評価Thumbs Up88%(35,850 件の評価)Info
1

1

10時間で修了

Машинное обучение и линейные модели

10時間で修了
13件のビデオ (合計82分), 8 学習用教材, 8 個のテスト
13件のビデオ
Как устроена специализация, и зачем ее проходить3 分
МФТИ1 分
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 обучении30 分
Типы задач в машинном обучении30 分
Машинное обучение: задачи и признаки30 分
Линейная регрессия30 分
Градиентный спуск30 分
Линейные модели30 分
2

2

11時間で修了

Борьба с переобучением и оценивание качества

11時間で修了
14件のビデオ (合計126分), 9 学習用教材, 8 個のテスト
14件のビデオ
Регуляризация7 分
Оценивание качества алгоритмов7 分
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 переобучения30 分
Проблема переобучения и борьба с ней30 分
Как измерить качество алгоритма?30 分
Метрики качества30 分
Встроенные датасеты и кросс-валидация30 分
Введение в scikit-learn30 分
3

3

9時間で修了

Линейные модели: классификация и практические аспекты

9時間で修了
14件のビデオ (合計97分), 7 学習用教材, 7 個のテスト
14件のビデオ
Метод максимального правдоподобия4 分
Регрессия как максимизация правдоподобия2 分
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 правдоподобия30 分
Линейные модели: статистический взгляд30 分
Линейные модели: подготовка признаков30 分
Линейные модели: практические аспекты30 分
Подбор параметров по сетке30 分
Анализ данных в scikit-learn30 分
4

4

13時間で修了

Решающие деревья и композиции алгоритмов

13時間で修了
17件のビデオ (合計114分), 10 学習用教材, 8 個のテスト
17件のビデオ
Обучение решающих деревьев6 分
Критерии информативности7 分
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 деревьев30 分
Решающие деревья30 分
Бэггинг30 分
Композиции и случайные леса30 分
Обучение композиций и градиентный бустинг30 分
Градиентный бустинг: обучение и практические аспекты30 分

レビュー

ОБУЧЕНИЕ НА РАЗМЕЧЕННЫХ ДАННЫХ からの人気レビュー

すべてのレビューを見る

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

Машинное обучение и анализ данных

よくある質問

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。