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
2,094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: 51 - 75 / 380 レビュー

by Sodbo Z S

Mar 15, 2016

Положительные стороны курса: систематичность, последовательность, математическая строгость. Прекрасно показаны тонкие моменты в тех или иных случаях применения различных алгоритмов обучения. Для людей, незнакомых с Python - хорошая поддержка (примеры кода присутствуют в материлае и т.д.)

Негативные моменты :

1) Курс порой был строгим и академичным, однако обратная сторона медали - иногда очень хотелось получить "объяснение на пальцах". Николай Воронцов - я думаю, вы вполне можете это добавить в свои лекции. Например, лекции молодого человека в синией кофте - прекрасный пример легко усваемого и простого объяснения.

by Vadim A

Feb 22, 2016

Из всех англоязычных и русскоязычных курсов "всё в одном" по машинному обучению, которые я видел, этот - лучший.

На мой взгляд, курс рассчитан на слушателей с некоторой математической культурой (в этом принципиальное отличие от известного курса Эндрю Ына) и представляет собой значительно упрощённую версию ШАДовской дисциплины "Машинное обучение".

Задания разнообразные и интересные, охватывающие все ключевые понятия из лекций. К сожалению, по нейронным сетям только теоретические вопросы.

Настоятельно рекомендую курс всем, кто хочет заняться машинным обучением.

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 tigraboris

May 11, 2016

Super

by Andrey T

Dec 13, 2016

Хороший курс, позволит начинающему ознакомится с базовыми алгоритмами работы с данными

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 Almaz S

Jun 18, 2017

Отличный курс!

by Yuriy M

Jan 31, 2016

Классно, полезно, с элементами самообучения, что очень важно.

Спасибо!

by Daniel

Jul 27, 2017

Хорошее введение в основы машинного обучения.

by Dmitrii M

Mar 15, 2016

Отличный обзор возможностей машинног обучения с небольшой практикой дающей хороший задел для дальнейшего обучения

by Igor S

Apr 05, 2018

Для меня главный недостаток курса - сложность и лаконичность видео лекций. В большинстве случаев я не улавливал всю суть из видео материалов. То что для лектора казалось самоочевидным, для меня таковым не было. Возможно дело в формате и длине, возможно дело в базовой сложности материала. Поэтому я начал использовать замечательные конспекты лекций на гитхабе, и вот они вместе с видео-лекциями дают очень хорошую основу. Для выполнения заданий не нужно понимать все досконально, на первых порах это немного расстраивало, ведь видео задают весьма высокую планку сложности, и ты ожидаешь супер сложных заданий. Сами задания оказались очень интересными. Резюмируя, спасибо вам за этот замечательный курс, он не идеален, но очень хорош. Авторы проделали большую работу.

by Fabio M S

Feb 22, 2016

Очень хороший курс! Трудные и сложные задания, так как и есть настоящие задачи в области анализа данных. Но учители всё ясно объясняют, только надо хорошо мозгами работать для того, чтобы успевать все уроки пройти.

by Abramov A

Nov 20, 2016

Большое спасибо за курс.

Это отличное начало для погружения в область машинного обучения.

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 rinat

Dec 11, 2016

Очень интересный курс. Нет углубления в теорию (ненужного). Акцент на практику

by Nikita D

Dec 22, 2017

Excellent

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 Konstantin T

Jun 23, 2017

Отличный курс для начала.

by Pavel T

Feb 12, 2018

Отличный вводный курс

by Могунова е в

Apr 25, 2017

Очень хороший курс!!!

by Клементьев А А

Nov 22, 2016

Очень помогло получить начальные знания

by Konstantin T

Mar 11, 2016

Отличный курс. Очень хорошие практические задания.

by Dmitry U

Feb 17, 2016

Нормально )

by Albina S

Jan 29, 2018

Хорошие курс по введению в машинное обучение

by Крючков А Ю

Aug 10, 2016

Название соответствует курсу. Если хотите получить базовые знания по методам машинного обучения, то этот курс можно выбирать смело. Для решения задач достаточно базовых знаний из программирования и высшей математики.

В этом курсе используется язык python. Если раньше им не пользовались, то это не так страшно. Всё можно освоить в процессе прохождения курса. Большая часть ответов на вопросы есть в документации к библиотекам и форумах.