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
2,288件の評価
460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: 351 - 375 / 444 レビュー

by Maksim A

May 07, 2020

Отличный курс для знакомсква с миром машинного обучения! Но для того, чтобы хорошо понять материал и выполнить задания требует некоторых знаний программирования в Python и знания линейной алгебры. Рекомендую в качетсве начального курса.

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 Кирюшин А А

Jul 01, 2020

Курс замечательный, мне очень понравился, просто из за того что ему уже около 5 лет, его видемо перестали обновлять, и некоторые данные устарели, но с помощью форума с этим можно справиться. В целом, курс замечательный, реально вводит

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 Georgii V

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 Petrovich S

Aug 09, 2020

Немного странный формат сдачи заданий на программирование, а также нет заданий на программирование по нейросетям. В остальном курс очень хороший!

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

by Valery M

Aug 20, 2018

Cлишком много "простой" теории в лекциях, отсутствуют практические замечания. Домашние задания и финальный проект порадовали.

by Polina B

Aug 19, 2020

Нужно больше практики. Лекции про то, как кодить, например, - их очень не хватало. Но не помешали бы и задания на теорию.

by Журавлев П

May 04, 2020

Хороший курс, но я бы еще добавил пару заданий по самостоятельному написанию простеньких алгоритмов машинного обучения.

by Andrey Z

Jul 17, 2019

Some lessons are too math-detailed. It would be better to introduce more realistic examples to explain ideas behind

by Sergey B

Mar 10, 2016

Курс хороший, но присутствует дисбаланс в теории и практике. Но в целом, как введение, очень даже хорошо.

by Leonid G

Oct 15, 2016

Отличный курс.

Не поставил 5, потому что частенько дается теория не подкрепленная объяснениями.

by Васильченко Ю В

May 18, 2020

Курс неплохой, но информации в лекциях зачастую недостаточно для выполнения практических работ