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
2,125件の評価
401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

AA

Jun 15, 2016

Хороший курс без лишнего. Некоторые методы, предлагаемые в заданиях не оптимальны с точки зрения затрат ресурсов компьютера и времени программиста, но, надеюсь, с новыми сессиями будет развитие курса.

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.

フィルター:

Введение в машинное обучение: 276 - 300 / 385 レビュー

by Пильгуй В Л

Sep 26, 2017

Ну что ж, начнем ))) Я бы сказал отличный курс. Я не математик и почти мало программирую, потому как больше выполняют роль менеджера (СТО). На курс пошел для того чтобы хоть немного раззбираться в теме и попробовать применять ее в наших проектах. Вся теория утомляет, и честно сказать, я думал что не пройду курс по причине слабого мат аппарата, но благодаря практике смог постепенно разобраться. Здесь чувствуется советская школа, очень много сложной теории, которая ну никак не является введением )) Очень порадовал финальное задание, получилось расставить все по полочкам, так сказать окончательно для себя выбрать самое основное и понять как применять эти знания на практике в своей работе. Больше бы практики в этом курсе и была бы оценка 5. В любом случае огромное спасибо создателям курса! Хотелось бы продолжение.

by Alexey F

Jun 01, 2016

Спасибо за создателям этого курса за материал!

Скажу сразу, что осваивать материал было очень тяжело. Теоретическая часть была еще более менее понятна, задания разбивались на части и проходились поэтапно. Но вот создание программ на Python было куда сложнее. Приходилось очень много гуглить, т.к. те примеры кода, которые приведены в курсы, явно мало, чтобы создать законченную программу.

Но мне все это не испугало. Любой материал осваивать сложно.

Очень порадовало, что в конце материал подытожен и рассказаны главные шаги в любом анализе данных. После этого картина улеглась в голове еще лучше.

После курса осталось желание изучать материал еще глубже. Поэтому записался на другие русскоязычные курсы. Потом собираюсь пройти англоязычный курс.

Еще раз спасибо создателям курса!!!

by Alexander M

Oct 31, 2016

Задания курса очень объемные, и некоторые из них требуют глубоких знаний языка Python, так что выполнять их было непросто. Но именно поэтому данный курс мне показался очень интересным и полезным. Однако, во многих заданиях есть тонкие моменты, которые, с моей точки зрения, требуют более подробных пояснений. Например, в одном из заданий требуется объединить обучающую выборку с тестовой для правильной работы TfidfVectorizer, а потом их опять разделить, о чём не было сделано акцента в описании задания. Хотя возможно, так и было задумано с целью заставить студентов думать.

Спасибо организаторам за создание данного курса. Надеюсь, что он будет развиваться и совершенствоваться.

by Черных В И

Jul 02, 2017

В целом курс выглядит неплохим. Из недостатков:

1. Кто-то уже отмечал, что курс "скомканный". По-видимому, составители использовали свою стандартную очень объёмную программу обучения, вырезав из неё бОльшую часть материала. Возможно, требуется ещё немного отшлифовать данный курс, чтобы он выглядел более целостным.

2. Курс довольно сложный, хотя позиционируется как вводный. Для досконального понимания всего материала лекций требуется хорошее знание многих областей математики. В связи с этим было бы неплохо добавить больше заданий на понимание теории и/или подсократить эту самую теорию.

3. Хотелось бы более подробной расшифровки формул в тексте презентации.

by Ivan V

Mar 15, 2016

Лекции совершенно не согласуются с заданиями и квизами. С тем же успехом вместо лекций могли бы дать ссылки на википедию и прочие ресурсы, где приходится искать ответы на нераскрытые в лекциях вопросы, пытаясь понять что авторы курса имели в виду. К тому же, терминология авторов курса расплывчата и отличается от информации, которую можно найти в интернете. Курс, в котором требуется знание в предметной области, не покрываемое лекциями, нельзя называть введением. Это обманывает слушателя. Но в целом курс понравился. Я не жалею что продержался до конца. Многие вещи оказались действительно интересны и полезны. Большое спасибо авторам!

by Ivan S

Mar 13, 2016

Сам по себе курс хороший и нужный. Но уж очень "резво" спланирован. Указанные в описании "3-5 часов в неделю" реальны для тех, кто хорошо ориентируется в математике, знает питон и знает библиотеки, которые используются. Такому человеку, по большому счету, этот курс не особо и нужен :) А для остальных будет правильнее "3-5 часов в день".

Складывается ощущение, что цель курса не столько обучение, сколько отбор.

Все же, я постараюсь его пройти. Авторам курса огромное спасибо - очень помог сориентироваться в новом для меня вопросе, понять что к чему и куда двигаться дальше.

by Ellina

Mar 17, 2016

Плюсы

Русская локализация.

Строгий математический фундаментальный подход к подаче материала. Это усложняет курс, но затрагивает некоторые моменты в данной области, которые не затрагиваются в других курсах.

Практические рекомендации при решении как тренировочных, так и настоящих задач.

Минусы

Достаточно высокий порог вхождения.

Лектор занимает половину слайда и отвлекает. Стандартом в MOOC(и более грамотным с точки зрения восприятия информации онлайн) считается подход, когда лектора нет на видео, но есть материал, и "живые рукописные" заметки для пояснения части материала.

by Yulia K

Sep 28, 2016

Спасибо за познавательный курс!

Константин Вячеславович великолепный лектор: материал подан лаконично, но в достаточном объеме. Отличное введение, отличная сводка. Приятно видеть в курсе нормальную математику и отсутствие объяснений "на пальцах".

Для успешной сдачи programming assignments, к сожалению, не требуется глубокого понимания предмета, достаточно навыка писать несложные скрипты. На мой взгляд, эта часть могла бы быть интереснее и сложнее. Стоило включить в задания реализацию базовых алгоритмов ML, помимо использования готовых из пакетов.

Спасибо!

by Anton

Sep 22, 2017

Хороший курс. Можно в сжатые сроки познакомится с темой, даже заинтересоваться и заодно освоить Python. Суровой математики здесь ждать не надо, но наверно оно и к лучшему, все таки курс не зря называется "Введение". Замечательные лекторы - их было приятно слушать. А вот задания к сожалению к 6 неделе надоели, потому что сложнее не становились или просто не отличались разнообразием. Хотя финальный проект был интересный - решение дать игрушечное задание, но на реальных данных, явно было удачным.

by Ivan K

Feb 24, 2016

Хорошая обзорность курса. Очень компактное представление. Качественная запись лекций.

Есть проблемы с соблюдением компромисса между углублением в детали и обзорностью курса. Ведь по сути дела это вводный курс. Так большая часть математики не проходит в практических заданиях. И не понятно зачем тогда она нужна: все равно студенты забудут это сразу после лекции. Было бы лучше уделить внимание более глубокому сравнению тонкостей различных методов на практике.

by Alexander K

Apr 16, 2018

Сам курс очень понравился, но немного смазывают картину задания - в курсе рассказывается про математическую основу, а в заданиях идет применение конкретного пакета на Python причем по большому счету в режиме черного ящика. Хотя в описании стоит "Очень желательно знать Python", по факту знать его строго необходимо для прохождения курса (вариант - учить в параллель, но тогда будьте готовы что у вас это будет занимать больше заявленных 3-5 часов в неделю)

by Maksim H

Feb 11, 2017

Очень сложный курс из-за большой плотности материала. Очень мало времени и заданий на усвоение теории. И фактически теория оторвана от практики. Не чуствуется связи теории и практики. У меня не получилось их связать. Те вещи которые я знал, были понятны. То что не знал, ищу в других местах. В целом обучение напоминает техникум: главное не теория и ее понимание, а набор инструментов. С другой стороны похожих курсов на русском практически нет.

by Nikita S

Mar 15, 2016

Платформа курсеры это просто ужас. Все недостатки этого курса происходят именно от платформы. В самом курсе много полезных материалов. Слишком, на мой взгляд, много математической информации, которую можно обобщить до смысла параметров оптимизации и регуляризации и способа работы моделей. Получил много практических навыков работы с данными, с Ipython notebook и python вообще. Советую для начинающих.

by Александр

Feb 10, 2016

Присоединяюсь к критиканам особенности подачи материалов курса.

Сначала думал, что мне не хватает математической подготовки, но когда прослушал ролик про прекрасно знакомую мне логистическую регрессию, понял, что проблема не в математической подготовке, а в стиле подачи лектора.

Спасибо за курс, но в будущем, пожалуйста, делайте объяснения более интуитивными, со схемами, объяснением сути и примерами.

by Igor K

Feb 13, 2018

Практическая часть в этом курсе отличная, а вот с теорией, на мой взгляд, получилось не очень. Может быть, я такой тупой, но мне показалось, что всё рассказывалось кратко и при этом очень обобщённо. И поэтому сложность была запредельная. ИМХО, для "введения" такой подход не самый лучший. Предпочёл бы смотреть "полные" варианты этих видео из курса ШАД, чтобы как-то разобраться в вопросе.

by Голубев К О

Jul 13, 2017

Отличный курс с замечательными примерами, позволяющими на практике попробовать методы, о которых было рассказано в лекциях.

К недостаткам курса хотелось бы отнести излишнюю сжатость в изложении того, как требуется выполнять то или иное задание, из-за чего пришлось потратить немало времени, прежде чем многие из них стали работать правильно.

by Алексей А С

Aug 26, 2018

Наверное хорош для ознакомления. Хотелось бы услышать какие технологии будут более востребованы в ближайшие годы. На что сделать упор. Без подглядывания в учебник математики трудно уловить мысль. Трудно связать лекцию с кучей математики с реализацией на алгоритмов на pyton. Возможно большая часть замечаний отпадет с опытом. Посмотрим...

by Yury K

Feb 17, 2016

Отдельно теория и практика хороши. Но они не особо связаны.

В теоретической части я добавил бы еще больше наглядных примеров. В практической - более жизненные данные. Во многих примерах данные были синтетические.

И самое главное - не хватает "лабораторных работ", в которых инструктора показывали бы, как чем пользоваться.

by Сметанина Ю С

Oct 28, 2017

Очень понравился курс, ничего не понимала раньше в машинном обучении, этот курс здорово помог, но была не очень доступная теория, не так легко было понимать все формулы, которые быстро переключались на слайдах, но практика была супер, прям интересные задания и как раз для новичка, спасибо всем организаторам :)

by Titov A

Mar 08, 2016

Сухую математику, причем иногда очень нетривиальную, нужно разжевывать на примерах. Это хорошо получалось у Соколова. Что качается заданий: работа с sklearn очень полезна, но задания были бы еще полезнее, если бы в них нужно было бы реализовывать некоторые алгоритмы из лекций самостоятельно.

by Шведун И А

Jan 15, 2018

Классный курс, море математики и объяснений, но это далеко не для новичков. Как минимум, проходящий этот курс человек должен хорошо представлять хотя бы на словах действия и особенности разных алгоритмов, а этот курс поможет понять данные методы глубже через математику.

by Vladimir I

Aug 01, 2017

Хорошо подобраны задания (числовые, категориальные признаки, работа с текстом, и, даже, картинками).

Если дойти до конца, то должен сформироваться неплохой багаж примеров о том, как проводить обучение моделей. Так же можно прокачать навыки владения scikit-learn и pandas.

by Низамова И А

Mar 05, 2018

Мне кажется, что если бы лекции из последнего блока были в начале курса, лично мне было бы проще. Ну и вообще лекции довольно тяжело слушать, особенно сначала. Задания интересные, и понимание того, что нужно делать приходит уже после выполнения заданий.

by Peter Z

Mar 17, 2016

Курс хороший. Правда я не уверен, что он подходит для новичков. В лекции иногда слишком много формул, которых не объясняют на пальцах, может их лучше тогда совсем не давать. Хотелось бы, чтобы итоговый проект имел более практическое применение.

by Alexander P

Mar 14, 2016

Лекции дают хороший краткий обзор математики стоящей за алгоритмами. Домашние работы представляют список инструкций какой метод sklearn в каком порядке вызвать для того что бы получить осмысленный результат.

Финальное задание хорошо очень.