Chevron Left
Введение в машинное обучение に戻る

ロシア国立研究大学経済高等学院(National Research University Higher School of Economics) による Введение в машинное обучение の受講者のレビューおよびフィードバック

4.6
2,300件の評価
466件のレビュー

コースについて

Не так давно получил распространение термин «большие данные», обозначивший новую прикладную область — поиск способов автоматического быстрого анализа огромных объёмов разнородной информации. Наука о больших данных ещё только оформляется, но уже сейчас она очень востребована — и в будущем будет востребована только больше. С её помощью можно решать невероятные задачи: оценивать состояние печени по кардиограмме, предсказывать зарплату по описанию вакансии, предлагать пользователю музыку на основании его анкеты в интернете. Большими данными может оказаться что угодно: результаты научных экспериментов, логи банковских транзакций, метеорологические наблюдения, профили в социальных сетях — словом, всё, что может быть полезно проанализировать. Самым перспективным подходом к анализу больших данных считается применение машинного обучения — набора методов, благодаря которым компьютер может находить в массивах изначально неизвестные взаимосвязи и закономерности. На факультете компьютерных наук ВШЭ и в Школе анализа данных есть люди, активно использующие машинное обучение и разрабатывающие новые подходы к нему. Именно они — преподаватели этого курса. Вы изучите основные типы задач, решаемых с помощью машинного обучения — в основном речь пойдёт о классификации, регрессии и кластеризации. Узнаете об основных методах машинного обучения и их особенностях, научитесь оценивать качество моделей — и решать, подходит ли модель для решения конкретной задачи. Наконец, познакомитесь с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества. Для работы мы будем использовать реальные данные из реальных задач. Краткая программа курса: Неделя 1. Введение. Примеры задач. Логические методы: решающие деревья и решающие леса. Неделя 2. Метрические методы классификации. Линейные методы, стохастический градиент. Неделя 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации. Неделя 4. Линейная регрессия. Понижение размерности, метод главных компонент. Неделя 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети. Неделя 6. Кластеризация и визуализация. Частичное обучение. Неделя 7. Прикладные задачи анализа данных: постановки и методы решения. Слушателю нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах. Для выполнения практических заданий потребуются базовые навыки программирования. Очень желательно знать Python. Задания рассчитаны на использование этого языка и его библиотек numpy, pandas и scikit-learn. Чтобы успешно завершить курс, нужно набрать проходную сумму баллов за тесты и практические задания, а также выполнить финальный проект, посвящённый решению прикладной задачи анализа данных. Мы уверены, что этот курс будет полезен каждому, кто хочет постичь искусство предсказательного моделирования и освоить интеллектуальный анализ данных. Появились технические трудности? Обращайтесь на адрес: coursera@hse.ru...

人気のレビュー

AL
2018年9月24日

Понравилось отсутствие "разжевывания" материала, короткие и информативные видео-лекции, довольно интересные задания. Курс дал начальное понимание основных принципов и направлений в ML.

DD
2016年2月9日

Спасибо за курс. Хороший материал. Отличные задания.\n\nЕсть желание пройти курс "Практическое машинное обучение" с большим количеством примеров и практик от авторов этого курса.

フィルター:

Введение в машинное обучение: 176 - 200 / 451 レビュー

by Konstantin V

2020年10月25日

Отлично, прекрасный баланс между "все объяснили для практики" и "найди в интернете"

by Ерден Ж

2017年9月19日

Спасибо, очень интересно и познавательно. Большое спасибо лекторам и сокурсникам!

by Дмитрий

2016年2月23日

Отличный курс, систематизирующий обрывочные знания, полученные на других курсах.

by Болтачев А В

2018年4月18日

Отличный курс. Все подробно объяснено, но при этом дан простор для размышлений.

by Fedor K

2017年11月29日

Хороший баланс теоритической и практической части курса. Реалистичные задания.

by rinat

2016年12月11日

Очень интересный курс. Нет углубления в теорию (ненужного). Акцент на практику

by Евгений

2017年11月28日

Отлично. И не думал что существуют настолько интересно организованные курсы.

by Толмачев С

2017年7月8日

Отличный курс для начала знакомства с миром машинного обучения и нейросетей.

by Victor S

2018年4月4日

Отличный старт в машинном обучении. Пришлось повспоминать линейную алгебру.

by Dmitry S

2017年6月28日

Интересные материалы, отличные преподаватели, хорошее начало для новичков.

by Павел М

2017年11月19日

Практическая часть просто великолепная. Теория, честно говоря, скучновата

by Никита К

2017年5月3日

Большое спасибо!

Курс больше всего интересен благодаря интересным задачам.

by Abitov D

2017年3月15日

Отличный курс.

Сильная теория и практика.

Развивает навыки работы в Python.

by Vlad L

2016年10月27日

Everything is great! Sometimes lectures were apart from seminars and labs

by Минаков В

2020年4月23日

Курс является отличным по качеству предоставленного материала лекторами

by Дмитрий И

2016年3月9日

Мне очень понравился данный курс, спасибо создателям. Помогло в работе!

by Lopatina A S

2020年5月12日

Очень информативный курс, как раз подходит для введения в Data Science

by Yuriy M

2016年1月31日

Классно, полезно, с элементами самообучения, что очень важно.

Спасибо!

by Токарев О С

2018年9月26日

Отличный курс! Все по делу и много практики! Порекомендую друзьям!

by Maksim K

2019年8月8日

Everything is great!

Thanks a lot for the time and consideration!

by Filatov S

2020年4月17日

Отличный баланс теоретической информации и практических заданий!

by Гусев С А

2019年12月26日

Великолепный курс, получил много новых умений и знаний. Спасибо!

by Гончаров В В

2019年9月5日

Потрясающий курс!!! Многому меня научил. СПАСИБО создателям!!!👍

by Artsiom M

2017年7月19日

Все очень интересно и понятно изложено. Много практики. Спасибо!

by Maksim B

2020年2月15日

Отличный курс для начала погружения в тему машинного обучения.