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
2,159件の評価
409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: 301 - 325 / 394 レビュー

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 Александр Х

Mar 04, 2020

Хороший курс, позволяет получить реальное представление об машинном обучении. Однако практическая часть выполнена не слишком хорошо, вам придется самостоятельно искать большую часть информации, которая необходима для решения практических 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.

by Федоров П А

Nov 25, 2018

Неплохой курс, но теория не сильно соотносится с практикой. Не понимаю зачем было во 'введение' впихивать так много математики, которая только запутает новичка. Практические задачки интересные и не сложные, если знаком с Pandas и NumPy.

by Adel

Mar 20, 2017

Фундаментальный курс, из-за этого многое тяжело воспринимается. Довольно мало наглядности. Тем не менее, материал доступен и понятен. Почти всегда. Заставит тех, кто не знает питон, выучить его и начать пользоваться.

Спасибо авторам!

by Воробьев Г В

Aug 30, 2019

Теоретическая часть рассказана превосходно и дает понимание как вообще работает машинное обучение. Единственное, неплохо было бы актуализировать практические задания по программированию до питона3 и новых версий библиотек.

by Konstantin V

Mar 17, 2017

https://medium.com/@CV89/%D0%B2%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5-%D0%B2-%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5-coursera-5e3fcc44d95f#.uucovnf1a

by Kirill L

Feb 28, 2016

Интересные задания, показано много инструментов и библиотек Python для ML. Немного не согласованные лекции с более высоким порогом входа, чем задания. Но в целом отличный толчок дальше погружаться в эту область.

by Артем Р

Mar 30, 2019

В целом неплохое введение в машинное обучение и использование питона для этих задач. Мне понравилось. Ролики с теорией в таком виде практически не воспринимаются, я уже забыл практически все, что в них было.

by Dmitry G

May 10, 2016

Хорошое наполнение математикой (в отличие от Andrew Ng).

Из минусов:

-Ничего толком не рассказано про нейронные сети

-Задания слишком легкие

В целом, курс очень хорош для старта изучения ML

by Alexander A

Feb 14, 2018

Отличный ознакомительный курс! К сожалению нет практических заданий на глубинное обучение.

Great course! Unfortunately it does not contain deep learning practical assignments.

by Иванов А Ю

May 10, 2019

Спасибо большое, курс мне очень понравился, он дает очень много полезной информации.

Пожалуй единственный минус для меня - это некоторый разрыв между теорией и практикой.

by Kirill Z

May 10, 2018

Хороший курс, позволяет понять азы машинного обучения. Мне не хватало навыков программирования в Питоне, по-этому некоторые задания выполнялись медленнее чем могли бы.

by Kyrylo K

Mar 21, 2016

Я бы не сказал что это вводный курс, думаю что для начала можно послушать курс от Andrew Ng. Зато не плохое введение в инструменты для машинного обучения на Python.

by Чернышев А В

Dec 01, 2019

Мало наглядных примеров в лекциях, что усложняет восприятие.

Мало примеров реализации на python, много приходилось искать, т.к. опыта работы с python не было

by Гудиев А

Dec 19, 2017

Хороший курс. Местами много теории, мне кажется, которая потом не используется в практических заданиях. Но мне все равно понравилось. Спасибо!

by Stanislav A

Feb 15, 2016

difficult for beginners

the authors don't explain many necessary things

it is useful only for students with the basic knowledge (math, physics)

by Norov A M

Jan 17, 2020

Отличный курс. Есть рекомендация сделать видеобъяснения от профессора более простыми, т.к это введение для начинающих специалистов