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
2,141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: 101 - 125 / 389 レビュー

by Коноваленко И В

May 08, 2019

Курс очень увлекательный, он позволил мне вникнуть в предметную область, рассмотреть основные особенности алгоритмов и установить вектор будущего развития

by Andrey S

Apr 09, 2018

Курс понравился. Очень хороший баланс между теорией и практикой, никакой воды в рассуждениях, всё по делу. И практические задания интересные. Рекомендую

by Nikita B

Jul 27, 2017

Очень хороший базовый курс. Дает общее представление о принципах и методах машинного обучения, навыки работы с популярной библиотекой scikit-learn.

by Александр З

Aug 10, 2017

Курс получился достаточно насыщенным в плане обзора различных методов, но требует хорошего понимания математики, чтобы усвоить теоретическую часть.

by Maksim

Feb 07, 2016

Отличный курс. Задания впечатляют - все хорошо продумано и дает возможность разобраться как в теории, так и с пакетом (с коим дела раньше не имел).

by Лопатин В А

Sep 22, 2017

Отличный курс для знакомства с темой машинного обучения и получения начального опыта программирования на Python с использованием scikit-learn.

by Theodor B

Feb 18, 2018

Отличный курс - было очень приятно учиться. Сильно мешало незнание python (начал учить по ходу). Последние лекции были особенно интересны.

by Dmitriy S

Dec 21, 2017

Неплохой курс на русском языке. Объясняет базовые подходы, проблемы и их решения. Можно пройти курс, даже если не разу не писал на Питоне.

by Михаил Ю Г

Oct 14, 2019

Формулирование тестовых заданий происходит в очень расплывчатой манере. Мне кажется можно их усложнить, но формулировать все же по чётче.

by Danilov S

Jan 23, 2020

Хороший сбалансированный курс, свежий и проходится на одном дыхании, очень приятные преподаватели, местами нужны хорошие входные данные.

by Fedor M

Jul 17, 2016

Очень глубокое погружение в тему. Сильно занижены предварительные навыки, что делает для некоторых этот курс невозможным для завершения.

by Хабиров Т Р

Dec 13, 2018

Отличный вводный курс для начинающих с нуля. После прохождения появляется представление о том, как решаются задачи машинного обучения.

by Oleg O

Aug 20, 2016

Сначала курс казался немного непонятным, но хорошие лекторы и повторение материала в конце расставили всё по своим местам. Спасибо!

by Konstantin

Mar 12, 2016

"Лучше игрушечная задача на реальных данных, чем реальная задача на игрушечных" - очень правильно подмечено.

Курс крайне понравился.

by Виталий Х

Mar 11, 2016

Спасибо.Курс достаточно хорош для первого знакомства с машинным обучением.Очень понравился курс и разнообразие прикладных задач.

by Бердников В А

Jul 03, 2018

Хороший курс, но требует нормального знания Python и намного больше времени чем указано в описании (если Python не знаешь).

by Волков С А

Oct 03, 2018

Хорошо подходит для быстрого получения основ и для закрепления полученных знаний раньше.

Очень хорошие практические задания

by Fedor R

Feb 25, 2016

Short and good, a way to learn practical python ML skills and math background to understand and feel different ML technics

by Skapenko I R

Aug 19, 2018

Отличное введение в data science.

Имеется обзор всех основных алгоритмов. Также очень доволен знакомству с sklearn/pandas.

by Il'gam A

Aug 31, 2016

It is a great course for those who intersted in machine learning! I recomend it for everyone. Thank you for your efforts!

by Рудаменко Р А

Oct 23, 2019

Познавательно, легко и ёмко, даже для тех, кто сталкивается с машинным обучением и программированием на Python впервые!

by Aver N

Feb 24, 2019

Курс очень понравился. Местами теория сложновата. Но в общем и целом - все замечательно. И задания и лекции. Спасибо!

by Aidos A

Mar 11, 2016

Отличный курс!

Считаю, что в лекции про решающие деревья необходимо более детально разобрать аолгоритмы с пропусками.

by Золотых М А

Sep 19, 2019

Отличный преподаватель. Все очень понятно, полезно и доходчиво. Юмор и примеры в лекции расставляют все по местам.

by Dmitrii M

Mar 15, 2016

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