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
2,303件の評価
468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: 201 - 225 / 452 レビュー

by Крайнев К В

2018年1月5日

Отличный курс для такого небольшого объема времени

Не пожалел)

by Балетинских А А

2019年2月4日

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

by Kirill S

2019年2月21日

Хороший курс для начального погружения в машинное обучение.

by Белобородов С В

2020年2月1日

Хороший стартовый курс по машинному обучению. Рекомендую.

by Шишло С В

2020年5月4日

Мне курс очень понравился. Большое спасибо разработчикам

by Viktoria V

2019年10月9日

Проходила курс ради практики. Она тут шикарно разобрана)

by Лацков А В

2020年5月12日

Курс оказался не таким простым как сначала показалось)

by Дарья В Ш

2019年3月21日

Очень понятно объясняется материал, полезные задания.

by Anatoliy S

2017年11月19日

Не все формулировки в заданиях понятны, но жить можно

by Andrey K

2020年10月25日

После изучения основ Питона, курс прям то, что надо!

by Alexander F

2019年9月9日

Great coverage of basic knowledge for ML algorithms.

by Алексей Н

2018年1月14日

Балдёж, лучшее, чем я занимался в своей жалкой жизни

by Баранов М А

2016年4月13日

Отличный курс, полезно, интересно, понятно. Спасибо.

by Chesalin A

2016年5月5日

Nice course, thank you, authers!

Chesalin Alexander

by Евгений П

2016年3月29日

Отличный курс!

Введение в Python не было бы лишним.

by Eugene M

2017年7月7日

Отличный курс, дает хорошее понимание что такое ML

by Konstantin T

2016年3月11日

Отличный курс. Очень хорошие практические задания.

by Трегубов А В

2019年3月17日

все должны пройти этот курс, прекрасно для начала

by Alexey P

2016年2月14日

Сложно и интересно. Мне важно видео со субтитрами

by Ваганов Н

2019年6月3日

Спасибо Константину Воронцову за чудесные лекции

by Лунёв А Ю

2017年12月2日

Спасибо большое, особенно за практическую часть!

by Дубинич А И

2017年5月31日

Прекрасный курс дающий базовые понятия и навыки!

by Орлов А В

2019年4月29日

Отличный курс для введения в Машинное обучение.

by Alexey T

2016年4月4日

Классный курс, отлично дополняет курс Andrew Ng

by Valentin

2016年3月12日

Очень хороший вводный курс в машинное обучение.