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
2,093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: 126 - 150 / 379 レビュー

by Alexey T

Apr 04, 2016

Классный курс, отлично дополняет курс Andrew Ng

by Филипьев А В

Feb 08, 2018

Курс сильно изменился с последнего моего прохождения. Стал более понятным и появились дополнительные материалы. Плюсом сыграло, что Python стал гораздо более удобным, нет больших проблем с использованием 3-ей версии.

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 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 Воробьев И С

Nov 20, 2017

Отличный курс. Идеально подходит для введения в такую сложную тему, как машинное обучение.

by Виталий Х

Mar 11, 2016

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

by Павел М

Nov 19, 2017

Практическая часть просто великолепная. Теория, честно говоря, скучновата

by Anastasiya D

Mar 10, 2016

Курс очень понравился, хороший баланс математической строгости, доступного объяснения и практических примеров.

by Roman

Feb 15, 2017

Сложно. Полезно. Интересно.

by Zhassulan S

Sep 06, 2017

Very good course!

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 Chesalin A

May 05, 2016

Nice course, thank you, authers!

Chesalin Alexander

by Alexander M

Aug 02, 2017

Хороший курс для начала

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.

by Egor C

Nov 20, 2017

Хороший вводный курс по методам машинного обучения. Для понимания лекций необходим определенный математический багаж знаний на уровне высшей математики университета.

by Art M

Jul 19, 2017

Все очень интересно и понятно изложено. Много практики. Спасибо!

by Stan S

Mar 06, 2016

Отличный курс, на мой взгляд. Напомнил институт, когда надо самому думать и делать в 80%, а не просто monkey see, monkey do. Кто хочет чему-то научиться должен сам хотеть и уметь учиться. Спасибо.

by Siarhei K

Dec 14, 2016

Минус - практика сама по себе, теория в лекциях сама по себе, иногда излишне сложная для предлагаемых задач, лекции слишком сжаты, мало примеров. Можно конечно пояснять теоретический материал со всей математической строгостью но тогда и задания должны быть соответствующие, для того чтобы эти знания закрепить.

Плюс - практические задания довольно простые, но само описание заставляет подумать и вникнуть в суть задачи а не делать всё по пунктам, по окончанию курса остается хороший навык пользования pandas и sci-kit.

В качестве введения - отличный курс, расслабится не получится.

by Vasily P

Apr 04, 2016

This is not an Introduction but a Review of Machine Learning methods used in Yandex.

Probably, you have to multiply estimated required time by 10 to really understand lecture topics.

Kaggle competition at the end makes the course really interesting.

but:

"A theory that you can't explain to a bartender is probably no damn good."

-- Ernest Rutherford

by Антон Г

Jan 27, 2016

Хороший курс.

by YaMolekula

Mar 20, 2016

Плюсы:

1) Большой плюс курса, в нём гораздо больше информации, чем у ставшего эталоном Стэнфордского курса от Andrew Ng.

2) Python!!!!!

Минусы:

1) Незаслуженно мало внимания нейронным сетям.

2) Нет ничего про anomaly detection.

3) Не сбалансированная нагрузка, некоторые недели лайтовые. А некоторые реально перегружены материалом. Можно смело удлинить курс на 11 и более недель, с учетом остальных моих комментариев.

4) Не хватает примеров. Особенно на фоне ориентированности на математический аппарат, более жесткий чем у Andrew Ng.

5) Материал по некоторым темам очень сжат. Приходилось смотреть сторонние источники информации чтобы понять.

Но всё-равно курс очень крут.

by Винокуров М В

Feb 09, 2016

У преподавателя речь очень грамотно поставлена.

by Ганиев Т

Mar 04, 2018

Прекрасный курс, хорошие преподаватели.

by Ерден Ж

Sep 19, 2017

Спасибо, очень интересно и познавательно. Большое спасибо лекторам и сокурсникам!