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
2,281件の評価
458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

Sep 25, 2018

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

DD

Feb 10, 2016

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 / 443 レビュー

by Дмитрий

Feb 23, 2016

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

by Болтачев А В

Apr 18, 2018

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

by Fedor K

Nov 29, 2017

Хороший баланс теоритической и практической части курса. Реалистичные задания.

by rinat

Dec 11, 2016

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

by Евгений

Nov 28, 2017

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

by Толмачев С

Jul 08, 2017

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

by Victor S

Apr 04, 2018

Отличный старт в машинном обучении. Пришлось повспоминать линейную алгебру.

by Dmitry S

Jun 28, 2017

Интересные материалы, отличные преподаватели, хорошее начало для новичков.

by Павел М

Nov 19, 2017

Практическая часть просто великолепная. Теория, честно говоря, скучновата

by Никита К

May 03, 2017

Большое спасибо!

Курс больше всего интересен благодаря интересным задачам.

by Abitov D

Mar 15, 2017

Отличный курс.

Сильная теория и практика.

Развивает навыки работы в Python.

by Vlad L

Oct 27, 2016

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

by Минаков В

Apr 23, 2020

Курс является отличным по качеству предоставленного материала лекторами

by Дмитрий И

Mar 09, 2016

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

by Lopatina A S

May 12, 2020

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

by Yuriy M

Jan 31, 2016

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

Спасибо!

by Токарев О С

Sep 26, 2018

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

by Maksim K

Aug 08, 2019

Everything is great!

Thanks a lot for the time and consideration!

by Filatov S

Apr 17, 2020

Отличный баланс теоретической информации и практических заданий!

by Гусев С А

Dec 26, 2019

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

by Гончаров В В

Sep 05, 2019

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

by Artsiom M

Jul 19, 2017

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

by Maxim B

Feb 15, 2020

Отличный курс для начала погружения в тему машинного обучения.

by Крайнев К В

Jan 05, 2018

Отличный курс для такого небольшого объема времени

Не пожалел)

by Балетинских А А

Feb 04, 2019

this course gave me a starting point for my self-improvement