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
2,140件の評価
405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: 51 - 75 / 389 レビュー

by Осмоловский А

Aug 01, 2018

Отличный курс, спасибо авторам. Это действительно лишь введение в машинное обучение, но это отличный старт.

P.S. при проверке финального задания сокурсников, 5 из 6 оказались очевидным плагиатом (на решения, увы, можно наткнуться, даже если вы их специально не искали). Это грустно, не делайте так, если решите проходить курс.

by Макарихин А В

Aug 20, 2018

Всем, добрый день!

Курс понравился, - рекомендую, как начинающим свой путь в Data Science, так и начинавшим. Теории на мой взгляд многовато, но учитывая широкий охват аудитории, наверно это скорее необходимость чем приходить авторов. Там где было скучно просто увеличивал скорость проигрывания видео +1,5 само-то! q(^_^)p

by Марчевский В Д

Aug 01, 2017

Лаконичная, дельная подача, неплохой подбор практических задач на закрепление, весьма глубокая теория, один из лучших онлайн-курсов, что я проходил. Обратить на него внимание стоит тем, кто только начал интересоваться областью машинного обучения или хочет чуть лучше разобраться в математической основе подобных методов.

by Идрисов Р Р

Oct 29, 2018

Всё очень понравилось, много практических задач, охватывающих различные ситуации в машинном обучении, где какой классификатор применять, какие бывают признаки, как с ними работать и мн. др. Перед курсом советую подтянуть линейную алгебру, чтобы не ставить постоянно на паузу лекцию и не гуглить. Теория в курсе мощная.

by Leonid O

Dec 18, 2017

Очень хороший курс - даёт представление и дальнейший вектор развития для тех, кто хочет попробовать себя в области машинного обучения. Для меня, начинающего, он был тяжеловатым, особенно в плане математических формул; пришлось многое вспоминать с университета. Однако прохождение того стоит. Рекомендую всем.

by Zmeyoff A

Dec 18, 2017

Отличный курс! Хорошо подойдет для тех, кто только начинает изучение этой области. Все предельно понятно, ничего лишнего. Возможно кто-то скажет о чрезмерной лаконичности излагаемого материала, но я считаю, что для понимания работы алгоритмов и примерных областей их применения это именно то, что нужно.

by Matvey S

Jan 28, 2016

Нравится, вызывает интерес. Удачно совмещается простота подачи материала со строгостью математических определений.

Лекции 1 недели посмотрел за один присест. Надеюсь, не растеряю своего настроя.

В любом случае, видно, что авторы очень ответственно подошли к созданию курса. За это спасибо и 5*!

by Захаров А Е

Sep 18, 2019

Полезный курс, дающий базовые представления об алгоритмах машинного обучения. Однако крайне желательно иметь базовый опыт работы с Питоном - неплохо было бы это добавить в описание курса. Я увидел Питон впервые, поэтому много времени ушло на его "изучение" вместо решения задач )))

by Евтушенко И И

Nov 01, 2019

Курс порадовал. Хоть он и для начинающих, для глубокого понимания происходящего необходимо иметь неплохую базу по математике, а если её нет, то набрать и приступать к этому курсу. Также порадовали некоторые практические задания, многие из них действительно интересно делать

by Pavel F

Mar 14, 2016

Отличный курс, но для не математиков теория воспринимается сложновато, зато есть возможность прикоснуться к "Машинному обучению" при выполнение практических заданий. Даже если теория большой частью пройдет мимо, в голове отложится общее представление о данном предмете.

by Vlad V

Jul 31, 2018

Очень хороший курс, достаточно доступный, и в то же время авторы указывают на самые главные моменты существенные для понимания схем машинного обучения.

Отлично подобранны задания, и дают хорошую практическую поддержку к содержимому. Рекомендую всем пройти этот курс.

by Egor Z

Dec 10, 2019

Обалдевший курс! Немного теории + практика работы с библиотеками Python sklearn, pandas, numpy. Спасибо авторам!

Хорошо ложиться, если вы уже имеете некоторый опыт в высшей математике (особенно что касается матриц и методов оптимизации) и программировании на python.

by Кузнецов Н А

Jun 22, 2016

Очень понятный курс, не перебарщивающий с упрощением материала. Домашки делаются на питоне, как в жизни. Я бы добавил во вспомогательные материалы больше тонкостей по настройке методов в питоне и общий обзор методов в картинках для интуитивного понимания

by Астраханцев Р Г

Sep 25, 2018

Несмотря на кажущуюся сложность требующейся математической базы, лекторы умело и доходчиво объясняли довольно сложные и витиеватые темы красочными и наглядными иллюстрациями, а так же приводили довольно интересные и запоминающиеся аналогии.

by Sergey M

Feb 09, 2016

Отличный курс! Особенно порекомендовал бы его как введение в библиотеку scikit-learn. Дается много полезный практических советов и рассказывается об интеренсных особенностях различных алгоритмов обучения. Спасибо, курс очень пригодился!

by Лазарев А В

Oct 26, 2017

Спасибо, курс дает навыки python (pandas, sklearn), но если не знакомы с python вообще, то лучше пройдите курс сначала в SoloLearn он займет неделю, но сильно поможет.

Методы машинного обучения стали понятны и хочется учиться дальше.

by Timur K

May 14, 2019

Сложно понимать теоретическую часть курса (много формул, сложная нотация), практическая часть особых сложностей не вызвала. Последнее задание по времени заняло полный день, хотя в описании стоит оценка необходимого времени 2 часа.

by Darya L

Dec 14, 2017

Немного не хватает математики: объяснения всех упомянутых в курсе формул. Тем не менее, курс дает отличное базовое представление о машинном обучении, а большое количество практических заданий помогают чувствовать себя уверенней.

by Николай

Apr 24, 2017

Прекрасно. Сложно. Поначалу тяжело, потом как-то втягиваешься. Для полного понимания всего материала надо быть сильно продвинутым в математике. Задания иногда действительно не совсем соответствуют теории, это слабое место курса.

by Никифоров В И

Jun 06, 2017

Отличный курс. На входе имел приблизительные знания о программировании в Python и его библиотеках машинного обучения. На выходе сложилось целостное понимание предмета. Хотел бы подробнее узнать о нейронных сетях и их обучении.

by Artem B

Oct 23, 2016

Хороший курс для начинающих. Рассказывается все самое важное без перегрузки. Хорошие задачи для самостоятельного решения.

Хотелось бы решать задачи на кластеризацию, нейронные сети, в том числе глубокие, но этого в курсе нет.

by Leonid

May 18, 2016

Хорошо структурирован, просто воспринимать информацию. Можно сделать больше практических заданий, на закрепление материала; добавить задания без общих инструкций.

Не удобно сдавать задания(из-за форматирования файла в конце).

by Boris

Feb 15, 2017

Хороший курс с хорошими заданиями. Но мне как человека который не встречается с математикой каждый день немного показался сложноватым материал лекций и для того чтобы уловить некоторые вещи приходилось долго медитировать.

by Гридасов И И

Jul 26, 2017

Отличный курс, иногда сложно из-за слишком формальной постановки задач, но практические задания разбавляют избыточную формальность и на выходе мы имеет, математический фундамент в теории и разработанные руки на практике)

by Маханьков Е И

Jun 02, 2019

Достаточно хороший курс который дает математическое обоснование изучаемым методам машинного обучения. Курс построен так: теория - отдельно, практика - отдельно. Чтобы выполнять практические задания надо владеть Python.