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: 176 - 200 / 379 レビュー

by Ильяс К

Oct 22, 2017

Отличный курс, спасибо!

by maximus

Nov 21, 2017

Хороший начальный курс. Позволяет освоить и изучить основные методы машинного обучения. Преподается на хорошем математическом уровне, без ненужных упрощений. В общем остались только приятные впечатления.

by Palladin

Mar 30, 2018

+

by Стефаниди А Ф

Oct 09, 2017

Благодаря курсы я получил теоретические и практические знания по реализации логических методов, таких как решающие деревья и решающие леса. Углубил свои знания в области логистической и линейной регрессии, метриках оценки качества. Научился реализовывать градиентный бустинг над решающими деревьями. Получил новые теоретические знания и понимание частичного обучения. Задание с последней недели оказалось очень интересным и наглядно демонстрирующим актуальность и востребованность машинного обучения в наши дни. Спасибо большое Константину Вячеславовичу Воронцову и его команде за этот курс!!!

by Andrey N

May 07, 2017

Отличный курс с плотной теоретической и практической программой, ориентированной на конкретные применения.

by Грачев А В

Jun 23, 2017

Все здорово - и доступно и понятно

by Зикеева Е А

Jun 04, 2018

Отличный курс!

by Zaur B

Jan 07, 2017

Отл

by Oleg K

Dec 03, 2017

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 Бойцов М В

Sep 12, 2017

Прекрасный курс! Рекомендую!

by Alexander F

Oct 23, 2017

очень интересно и информативно

by Афанасьев С В

Jun 05, 2017

Ну конечно это отличный курс :)

by Крайнев К В

Jan 05, 2018

Отличный курс для такого небольшого объема времени

Не пожалел)

by Александр Х

Nov 20, 2017

Отличные фундаментальные знания

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 Толмачев С

Jul 08, 2017

Отличный курс для начала знакомства с миром машинного обучения и нейросетей.

by Никифоров М

Nov 14, 2017

Весьма полезный курс, в котором можно ознакомиться с основными алгоритмами машинного обучения.

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 Агеев С

Aug 29, 2017

Весьма информативный курс, сочетающий в себе как теоретические, так и практические аспекты предмета. Рекомендую как одну из удачных точек входа в тематику машинного обучения.

by Никита К

May 03, 2017

Большое спасибо!

Курс больше всего интересен благодаря интересным задачам.

by Fedor K

Nov 29, 2017

Хороший баланс теоритической и практической части курса. Реалистичные задания.

by Dan K

Feb 22, 2018

Отличный курс!

by Альмуханбетова М М

Feb 16, 2018

Хороший курс для начала!

by Сорсунова Л А

Dec 19, 2016

Курс позволяет получить первое впечатление и мотивирует учиться дальше. В практической части курса собраны очень интересные и разноплановые задачи. Единственный минус - с программированием приходится разбираться самостоятельно, теоретическая часть не всегда помогает понять, как это реализовано на питоне, поэтому вместо заявленных 3-7 часов в неделю на обучение может уйти несколько больше времени.

by Alexander Z

Nov 26, 2017

Здорово, спасибо!