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
2,293件の評価
464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: 376 - 400 / 448 レビュー

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

by Ted K

Aug 29, 2017

Теория тяжела без высшего математического/опыта в индустрии, но практические задания хорошие.

by Alexey K

Mar 08, 2016

Too complex lectures for novices, too easy assignments for experienced python programmers.

by Stanislav Z

Jan 06, 2018

Хороший курс, дает начальное представление о предмете и побуждает двигаться дальше :)

by Anton V

Feb 22, 2016

Thank you for this course. It helps me learn a lot of interesting about Data Science.

by Novoselov D

Jul 10, 2017

Целевая аудитория не определена. Курс плавает по уровню от лекции к лекции.

by Ваня М

Sep 04, 2017

Все круто, но заданий по нейронкам хотя бы на базовом уровне не хватает

by Andrey M

Apr 21, 2016

Спасибо! за прекрасно проведенное время и знания которые я получил =)

by Ольга Э

Sep 13, 2018

Увы, у меня нет математической основы для прохождения курса

by Konstantin S

Jul 31, 2017

Несомненно полезный курс для новичков в машинном обучении.

by Nikita C

Dec 10, 2017

Okay-ish курс для начинающих

Но в целом, мне понравилось

by Гончаров А С

Jan 30, 2016

К сожалению пока не хватает практических примеров.

by Philipp K

Mar 08, 2016

Хороший курс, но мало связи теории и практики.

by Totyshev Y I

May 26, 2018

Сложно для новичка и очень много сухой теории

by Evgeniy P

Mar 21, 2016

Not bad for introduction in Machine Learning

by Mark O

Jul 26, 2017

Теории невероятно больше чем практического

by Алексин А А

Jan 24, 2018

спасибо за такой обучающий вводный курс)

by Oleg

Nov 10, 2016

Explanations are not always transparent.

by Leonid B

Sep 11, 2016

Вполне пристойное введение в предмет.

by Vladimir M

Dec 18, 2016

Теория немного оторвана от практики

by Шубин Н Ю

Sep 03, 2018

Спасибо! Было познавательно.

by Anton R

Jan 30, 2016

Порог входа очень большой.

by Рыжов М С

Feb 14, 2016

Some problems with tasks.

by Сидоров К О

Sep 13, 2020

Не для новичков такое.