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
2,302件の評価
468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
2018年9月24日

Понравилось отсутствие "разжевывания" материала, короткие и информативные видео-лекции, довольно интересные задания. Курс дал начальное понимание основных принципов и направлений в ML.

DD
2016年2月9日

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: 51 - 75 / 452 レビュー

by smoly87

2018年5月17日

Курс охватывает изучение не только методов машинного обучения(SVM, логистическая регрессия, градиентный бустинг и т.д.), но и практические советы по обработке данных, борьбы с искажениями и ошибками в исходных данных. Кроме того важным преимуществом является разбор математической основы приведенных алгоритмов, а не использование этих инструментов, как чёрного ящика.

by Vladislav G

2017年7月1日

Большое спасибо за курс и за такое разнообразие в заданиях.

Хотелось бы также поблагодарить Евгения Соколова, который может объяснить любой материал ну супер доходчиво. Объяснения профессора все же не рассчитаны на широкую аудиторию, для меня это наверное слишком формально, требуется более глубокая фундаментальная подготовка. Все равно вынес для себя много полезного.

by Гайдуков А

2020年5月4日

Замечательный курс для тех, кто хочет разобраться с кругом задач, решаемых с помощью Машинного Обучения, с ключевыми алгоритмами и "попробовать все это своими руками". Давно хотел, но никак руки не доходили. Наконец-то осилил. Авторам - огромная благодарность, за предоставленную уникальную возможность "подучить матчасть" у серьезных специалистов в этой области.

by Стебеньков А С

2017年11月21日

Очень было трудно на первых трех неделях войти в эту область знаний. Плохо программировал, не знал Python, смутно ловил суть каждой темы. Но спустя некоторое время стал все больше и больше понимать и в конце очень хорошо обобщили все полученные знания. Думаю, что научился не только ML, но и Python. Понравилась подача материала и запомнилось финальное задание.

by Прокошин В А

2017年9月25日

Очень понравился курс! Особенно - интересные практические задания. Давно интересовала данная тема, но никак не мог найти с чего именно начать ее изучение. Те материалы, которые читал, только еще больше запутывали. Здесь же, хотя и не без трудностей, но доступно и увлекательно получил базовые знания, благодаря которым уже могу решать часть насущных проблем.

by Долгалев А П

2020年5月13日

Большое спасибо, отличный курс! Мне как математику и человеку, из языков программирования знающему только C/C++, было интересно как знакомиться с Python (язык хотя и медленный, действительно очень удобный для математиков, в том числе благодаря отличным библиотекам numpy и scikit), так и узнавать новые для себя вещи в плане построения математических моделей.

by Нетай И В

2019年8月5日

Отличный курс, дающий хорошее введение, подробно описан, снабжён достаточным количеством примеров и заданий, подробно описывающих по шагам применения разных алгоритмов, алгоритмы математически обоснованы и мотивированы. Задания подробно описаны, всегда чётко понятно, что требуется сделать в задании и как это сделать. Отдельное спасибо за отличные лекции!

by Малинкин П Б

2019年1月22日

Хороший курс для начинающих, кто уже достаточно знает теории, но еще не приступил к практике. Мне он очень помог, чтобы сделать первые шаги в создании скриптов по анализу данных.

Правда, есть в курсе 3-4 задачки, которые новичку будут, на мой взгляд, очень сложны. Но это заставляет искать информацию в интернете, что способствует получению больших знаний.

by Зубова Е В

2020年6月18日

Хороший курс для знакомства с алгоритмами машинного обучения, даёт представления о математике алгоритмов, знакомит с функционалом библиотеки scikit-learn. Материал подаётся в сжатой форме, поэтому для лучшего понимания объясняемого мне понадобилось использовать дополнительные источники информации, ссылки на такие источники есть и в самом курсе.

by Горбунов М А

2019年7月23日

Очень полезный курс именно для введения в машинное обучение, т.е. с нуля. Каждая задача ставится таким образом, что необходимо искать дополнительный материал по реализации. В результате код получается локаничным, даже порой элементарным, но только по результату работы. Numpy и pandas нужно будет изучать самостоятельно. Рекомендую.

by Oleg K

2017年12月3日

Курс скорее для тех кто уже в теме. Вот так с наскоку ничего не понять. Для себя нашел следующую схему: сначала смотрел теорию в курсе, потом лекции проф. Воронцова в ШАДе, там о подробно объясняет и становится все понятно :)

Практическая часть курса очень странная. Особо над ней не парились похоже :)

За Воронцова ставлю 5 баллов

by Ilya S

2020年3月30日

Курс интересный и подробный, но не надейтесь, что вы сможете пройти его, слушая лекции по пути на учебу или работу. Чтобы получить хороший результат нужно сидеть с тетрадкой, конспектировать и разбирать и гуглить непонятные моменты. Практические задачи также требуют существенного времени и не решаться сходу, если вы новичок.

by Осмоловский А

2018年8月1日

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

2018年8月20日

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

2017年8月1日

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

2018年10月29日

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

2017年12月18日

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

2017年12月18日

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

2016年1月28日

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

2019年9月18日

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 Van S

2019年11月1日

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

2016年3月14日

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 Roman K

2020年9月14日

Курс дает сжатое, но при этом комплексное представление о задачах машинного обучения и методов их решения. Большое количество практических заданий, в том числе финальное задание на основе реальной задачи машинного обучения. Рекомендую всем, интересующимся этой темой.

by Vlad V

2018年7月31日

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

2019年12月10日

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.