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
2,093件の評価
395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.

KS

Jun 10, 2018

Добротный курс, который дает набор минимальных знаний по теме. Сделано качественно, однако, есть что поправить в плане структурной целостности и логичности построения курса.

フィルター:

Введение в машинное обучение: 351 - 375 / 379 レビュー

by Andrey T

Mar 14, 2016

very little relationship between lectures and assignments. was expected more practices

by Pavel A

Mar 02, 2016

Курс новый, и хотя очень интересный, весьма сырой. Не считая всяких мелких технических ошибок, которые авторы исправляют достаточно быстро, всё даётся совсем по верхам. Без толкового описания что к чему и зачем. Примеров явно не достаточно. А практические задания весьма далеки от теории. Не в том смысле что они не о том, а скорее в них нужно выполнить работу, делая системные вызовы некоторых библиотек питона. При этом прямой связи почему эти вызовы, а не другие, почему так, и что там должно происходить либо не повествуется, либо умалчивается :)

Но я рад что прошёл и закончил этот курс. Рад также что "пришлось" познакомиться с Python (моё мнение о нём немного улучшилось).

by Evgenii D

Jun 05, 2018

На мой взгляд, в качестве начального обучения курс тяжеловат, более-менее понимаешь о чём идёт речь только к концу. Поэтому рекомендую для освежения просмотреть курс второй раз.

by Dmitriy S

Aug 04, 2017

Курс вполне неплох. Уровень преподавателей в соответствующей области высок, но название "Введение..." не соответствует содержимому, чтобы лучше понять нужно быть хорошо подкованным в математике, а также уже иметь представление об МЛ.

by Коротков В Е

Jun 18, 2019

Много теории, при этом мало визуализации - не всегда понятно, что имеет в виду лектор. Совсем нет лекций с примерами решения схожих задач. Мало задач (в идеале должно быть 10от простых (на 10-20 минут) к сложным

by Андрей П

Jul 23, 2019

Курс должен называться "Введение в математические основы машинного обучения". Много сухой теории без примеров из реальной жизни. Да могу я теперь написать регрессию с нуля, только толку то? Зашел на kaggle взялся за титаник и понял, что я ничего не знаю о тех самых основах предобработки данных и их визуализации, выбора фич и их создания. Да конечно неплохо понимать, что происходит когда стучишь молотком по гвоздю, но все же думаю логично сначала научить правильно пользоваться молотком, а потом уже углубляться, чтобы можно было пилить собственные молотки.

by Maxim V

Sep 18, 2016

Лекции обзорные, для их понимания требуются дополнительные источники информации. Некоторые задания очень простые и для их выполнения не требуется понимание материала.

by Ilya B

Feb 13, 2016

рассказывают одно, спрашивают другое, а на практике третье

by Mikhail T

Mar 08, 2016

Теория как-то не очень хорошо соотносится с практикой. Лекции, на мой взгляд, недостаточно систематизированны.

Практические задания направлены только на обучение использованию библиотечных функций и должны выполняться жестко фиксированным способом. При малейших попытках отклонения от него превращаются в "угодайку" задуманного правильного ответа.

Отдельно стоит упомянуть способ проверки заданий. Вместо простого ответа нужно отправлять файл с одной строчкой-ответом. Преподносится это как ограничение платформы Coursera, но в других курсах такого ограничения нет. Плюс совершенно непонятно, почему было нельзя просто заменить такие задания тестом со свободными ответами.

Курсовой проект довольно интересный, но зачем-то там опять пошаговая инструкция на тему что и как надо сделать.

by Denis A

Mar 13, 2016

Курс совершенно не подходит под определение "Введение". Это не введение, а серьёзный спецкурс, требующий хорошего уровня знаний в математике, владения языком питон. Стартуя с простых вещей авторы резко берут разгон, с каждой неделей непропорционально увеличивая нагрузку и сложность материала. На третей неделе мне уже приходилось тратить на курс двое выходных и вечера будних, изучать большое число дополнительного материала. Практическая часть не связана с теоретической. Пояснения весьма минималистичны и требуют длительной и кропотливой самостоятельной работы при отсутствии хороших знаний питона. Чтению форума авторы не уделяют много времени и многие вопросы оставляют без ответа. Общее впечатление сложилось скорее негативное. Безусловно, авторы являются специалистами, но конкретно этот экземпляр курса очень сырой и не проработанный, как будто был впопыхах портирован из другого источника.

by Fedorov I

Feb 06, 2016

Лекции - хорошие, а вот задания нельзя выполнять никак кроме как используя sklearn, хотя курс по машинному обучению, а не по данной библиотеке, это очень печально.

by Ivan Z

Jun 10, 2016

Больше на русскоязычные курсы даже не хочу пробовать тратить время. Правда не хочу никого обижать - но...Ребята, для кого вы делаете эти курсы? Сплошной математический спам. Ну не поленитесь - посмотрите курсы своих коллег - того же Andrew Ng. Сделайте хоть маленький шаг, чтобы перестроиться с формата - "рассказать так, чтобы больше принесли денег на сессию" на "рассказать так, чтобы стало понятно, и принесли деньги благодарные студенты с первой зарплаты". Я благодарен Богу, что знаю английский и могу получить те знания, которые хочу в понятном виде, а не гору спама, который вроде и по теме, а вроде и гора мусора. Я посетил лекции в самом Стэнфорде в университете, когда был там. Преподаватели улыбаются и от всей души стараются научить.

Я очень верю в наших преподавателей, и верю, что вы когда-то изменитесь - или прийдет новое поколение, которое все изменит.

by Evgeniy R

Aug 16, 2017

Очень странный крус, непонятно на кого расчитанный. Теоретические лекции почти никак не соотносятстя с практическими занятиями. Крайне сомнительна польза данного курса, как для понимания теории, так и для понимания реальных задач работы с данными. Очень плохо описаны практические занятия, можно было подробней описать последовательность применения процедур из пакета sklearn. Одновременно проходил курс Andrew Ng из Стэнфорда. Совершенно иной подход. Всем рекомендую именно этот курс Machine Learning. И теория и практика там значительно лучше представлены.

by Najib M

Feb 07, 2016

Крайне слабая подача материала, воспринимать его на должном уровне вы сможете только освежив знания по мат. анализу и другим предметам, изучаемым в высших учебных заведениях. Ко второй неделе вы рискуете потерять понимание происходящего при выполнении практических заданий, однако в погоне за "Зачетом" сделать вы их все же сможете, но лучше иметь знания программирования на Python

by Ólafur Þ

Oct 01, 2016

Слоооожно

by Evgeniy R

Feb 07, 2016

Курс в целом не плохой но рассчитан на весьма узкую массу айтишников интересующихся предметом. Для широких масс стоит поискать что нибудь другое.

Практика очень плохо согласуется с теорией - с одной стороны на теории дают формулы, с другой на практике они скрыты за реализацией используемых библиотек. Возможно, я бы предпочел чтобы мне рассказали теорию с меньшим содержанием формул (которые я итак не увижу пока буду решать практику), но с большим количеством жизненных примеров в которых можно применить информацию из практических занятий. Да, я не буду знать внутренних механизмов благодаря которым я получу то или иное решение - но как много рядовых программистов задумывается над фрагментацией данных в памяти или мат. моделью построения индексов в БД - об этом мысли приходят в час нужды когда задача решается слишком долго.

Яндекс уже накопил информацию по различным жизненным аспектам в которых можно применить машинное обучение и знает достоинства и недостатки различных алгоритмов - было бы интересно, узнать в каких случаях на каких областях можно столкнуться с проблемами и какие области сегодня мало изучены.

По видео материалам лекций - видно лектор специалист в своей области и в области преподавания, но это может годиться для аудиторных занятий. Хочется увидеть более живого и эмоционального человека, который способен парой фраз либо объяснить всю сложность какой то модели либо перезагрузить мозг слушателя чтобы отфильтровать лишнее и указать на главное. Разумеется в концентрированной и сжатой лекции на 10 минут это крайне сложно и в этой части, я надеюсь, ВШЭ и Яндекс продолжат сотрудничество и смогут учесть пожелания слушателей занятий для будущих курсов.

По итогу - тут либо воспринимать это как ликбез и восстановление знаний по ранее изученным материалам, либо как очередной этап в процессе обучения. Но новичкам этой области в этом курсе не место. Теория зациклена на синтетических примерах, а в практических занятиях мало разъяснений деталей тех или иных решений.

by Evgeny V

Jun 20, 2017

Как всегда в российском образовании, преподавательский состав не утруждается подготовкой материала. Со стороны кажется, что весь материал готовился так: "раз я понимаю, расскажу своими терминами, путь и другие понимают".

Лекции изобилуют терминами, на которые не даны сноски, или даны, но это кроличья нора.

Не важно насколько продвинута тема, она должна объясняться так, чтобы быть понятной ребёнку! В пример можно поставить курс Andrew Ng: всё либо дано максимально понятно, либо он оговаривает/обозначает те области которые он не рассказывал подробно но они будут использованы в его материале.

by Карпов А И

Jun 27, 2019

Новичку крайне сложно воспринимать информацию

by Sergei K

Oct 16, 2018

Курс выпустили и бросили.

Лекции идут в режиме "галопом по Европам".

Основной "преподаватель" экает каждые две секунды.

Задачи не были адаптированы под более свежие версии sklearn (уж такую мелочь можно было и предусмотреть), которые выдают гораздо более качественные результаты (в одной задаче улучшение качества выборки на старом sklearn в ответе в 4 раза хуже, чем в моем решении на свежей версии пакета). Так как необходимая для воспроизведения результатов версия пакета отсутствует в описании курса - это большой минус.

Из плюсов - качественная практика, задания плавно нарастают по сложности и супер-сложных моментов нет.

by Igor K

Feb 23, 2016

Лекции плохого качества. Преподаватель перечитывает неадаптированный материал в сухой форме. Стоит получиться у профессоров Ng, Abu Yasser Mustafa, Bertserkas - как стоить делать научно-популярные курсы.

Имхо данному преподавателю стоит улучшить свой подход к преподаванию. Одного имени не достаточон для хорошего курса

by Alexander L

Dec 02, 2016

Осторожно! Данный курс может отбить все желание заниматься машинным обучением! Лучше пройдите курс от Andrew Ng

by Katya H

Feb 18, 2016

Курс мне абсолютно не понравился. Изложение материала с нагромождением фомул. Отсутствует практическая подача материала. За два часа лекций не было разобрано ни одного примера. Питон (ради которого я записалась на курс) вообще присутствует только в домашних заданиях. Я ожидала разбора возможностей питона в рамках машинного обучения с теоретической выкладкой.

Если за первые 20 минут упомянуть 25 разных формул, это не поможет студенту усвоить материал. Я не спорю, что материал в этом курсе возможно лучше всех возможных на свете, мне не удалось этого узнать, так как манера подачи материала отбила желание продолжать учебу.

Кстати, почти все теории, изложенные в первой лекции, используются мной на практике. Но от этого изложение материала не стало понятнее.

by Kirill K

Mar 13, 2016

Лекции представляют собой классический для советской физмат школы спам математической нотацией и слабо связаны с заданиями. Сами же задания выполняются простым вызовом указанных методов из пакетов pandas/scipy без какого-либо вникания в предмет. Резюмируя - тратить время на этот курс можно только если вы не владеете английским в достаточной мере, чтобы взять любой другой курс по данной тематике.

by Анна

Nov 14, 2016

Курс построен крайне странно: видео по теории фактически никак не связаны с практической частью, создаётся ощущение, что это два разных курса, зачем-то собранные вместе. Вопросов в тестах слишком мало для проверки понимания теории. Программный код в практической части почти весь уже написан за учащегося, т.е. по сути копируешь, вместо того чтобы самому реально разобраться и научиться (и, если хочешь это сделать, надо это делать отдельно самостоятельно, курс этот момент реального обучения в себя не включает).