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: 401 - 425 / 444 レビュー

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 Vladimir L

Feb 05, 2018

Сначала было интересно... Но потом, - встречаются ошибки в тексте. Темы начинаются с видео, потом переходят в загруженный отдельно PDF. Какая-то сборная солянка. В видео идут общие теоретические знания - аля как важен Machine Learning в общих фразах, а чтобы решить задачу предлагается изучить ссылки на другие курсы для работы с Python Notebook и pandas - зачем тогда ваш курс если все приходиться самому изучать на английских сайтах?

Невозможно пройти простейшие тесты из-за ошибки в принятии правильного ответа. Сложные ответы были приняты. Система приема ответов не продумана по сравнению с другими курсами Coursera. Типичный Яндекс.

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 Баранов В М

Sep 23, 2020

Курс не для новичков. Вам здесь не будут всё разжевывать (объяснять формулы, приводить учебные примеры, учить писать код). Вы должны знать хотя бы про линейную регрессию, неплохой навык программирования на Python, язык запросов SQL в первом приближении, если вы не знакомы с pandas. Иначе вы на первых неделях просто сольетесь. Лично я, перед тем как начать этот курс, прошёл курсы "Основы программирования на Python" и "Эконометрика". Мне было не просто. Если хотите познать ML пробуйте, читайте статьи, смотрите видео. Старт вы получите. Успехов.

by Dmitry Y

Mar 12, 2016

Курс сыроват. Складывается ощущение, что делали его "на коленке" и в последний момент.

Материал очень интересный, но подан очень своеобразно.

Что ожидалось? Хотелось рассмотреть теорию, попробовать реализовать это на практике, и затем сравнить на реальной задаче свой велосипед и готовые пакеты. Что вышло - четко разделенная сухая теория и совершенно библиотеко-ориентированная практика.

by Semen K

Mar 25, 2016

не хватает глубины обзора материала, лекции Воронцова на сайте яндекс, кажутся гораздо подробнее, структурированнее и понятнее.

задания часто не согласуются с лекциями, без предварительных знаний python и scikitlearn не обойтись

скрипты проверки скриптов с ошибками(

осталось впечатление что курс очень сырой(

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 Nikolay B

Feb 12, 2016

Лекции очень короткие и насыщенные, порой задумываешься над формулой, а пропустил уже 3 новых. Всет-ки есть какой-то лимит по времени воспринимания информации, нельзя все формулы уместить в 5 минут не потеряв часть аудитории

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 Drozhnikov A

Feb 06, 2016

Курс требует хорошего знания Python. В лекциях в основном теория без примеров с кучей формул. В практических модулях реализация метода средствами Python. Нюансы настройки метода не объясняются.

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 Гаманец Р А

Mar 17, 2019

Вот смотрю я видео, и понимаю, что ничего не понимаю. А беру задания, выполняю, и начинаю понимать. Но главное не понимаю, а зачем нужна какая модель. А это очень грустно.

by Narek

Mar 20, 2016

Хорошие задание по практите. Теория конечно для продвинутых дается, но в целом какое представление о предмете появляется, но очень слабое.

by Victor A

Jun 03, 2020

Что плохо:

Очень мало практики

Теория сильно оторвана от практики

По Нейросетям нет практики

Что хорошо:

Всё остальное

by Peter K

Feb 05, 2016

Need very strong skills and experience in Python. Also, some basic knowledge in ML also is necessary.

by Ustinov M

May 03, 2016

Очень сухой стиль изложения. Почти ничего не рассказано о существенно используемом в курсе python.

by Andrei V

Mar 16, 2016

сырые практические задачи. мало примеров в лекциях, мало практики. слишком по-академически.

by Andrey T

Mar 14, 2016

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

by Kirill S

Oct 01, 2019

Много формул, оторванных от практики, хотелось бы в видео больше практики

by Alexandr S

Feb 24, 2016

Курс не до конца проработан методически

Нужно в дальнейшем это исправить

by Pavel P

Apr 10, 2016

Слишком теоретический и даже базис объяснен, словно я это уже знаю

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 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 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 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.