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: 201 - 225 / 380 レビュー

by Festa Y Y

Sep 13, 2018

Отличный курс! Было очень интересно слушать лекции и применять новые знания сразу на практике. Буду рекомендовать этот курс знакомым и коллегам, которые также как и я делают первые шаги в машинном обучении.

by Aleksandra L

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.

by Токарев О С

Sep 26, 2018

Отличный курс! Все по делу и много практики! Порекомендую друзьям!

by Stepan T

Oct 20, 2018

Курс познакомил меня с основами машинного обучения. Видеолекции, правда, сильно ужаты. Иногда приходится по несколько раз пересматривать. Из-за этого желательно ознакомится параллельно с другими курсами (например с этим https://yandexdataschool.ru/edu-process/courses/machine-learning#item-1). Несмотря на то, что Питон я начал изучать здесь, то оценки времени выполнения достаточно адекватные (больше заданного времени у меня ушло на выполнение первого задания и итогового).

by Buzikov M

Oct 20, 2018

Отличный вводный курс. Вполне можно пройти за 2 недели. Интересный финальный проект.

by Рычков А Ф

Oct 14, 2018

Спасибо. Насыщенный курс, даже для "введения".

by Идрисов Р Р

Oct 29, 2018

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 Ekaterina A

Nov 13, 2018

В курсе много внимания уделяется теории, лекции мне понравились. Видно, что преподавателям интересен предмет и что они хорошо в нём разбираются. Теория опирается на математический анализ, линейную алгебру, теорию вероятностей и другие разделы вузовской математики, так что этот курс для тех, кто довольно много изучал математику в университете.

Мне кажется, перед прохождения этого круса нужно познакомиться с алгоритмами машинного обучения на более поверхностном уровне, на каких-то частных примерах, потому что здесь сразу даются концепции в очень общем виде и сразу может быть непонятно - это вообще как и зачем используется. Программирование практически полностью оставлено на самостоятельное изучение, так что перед началом курса лучше познакомиться с библиотеками для анализа данных на используемом языке программирования (например, для Python это pandas, sklearn и тд), иначе может быть очень тяжело.

То есть этот курс хоть и "введение", но не совсем для новичков.

by Sergey Y

Nov 19, 2018

Очень хороший курс для стартового уровня. По окончании курса обретаемого уровня хватает для участия в некоторых соревнованиях Kaggle. Хорошие преподаватели, спокойный темп - я успевал за выходные. Рекомендую!

by Pavel B

Nov 20, 2018

Memorable

Everything is perfect

by Anton K

Nov 26, 2018

для начала - очень неплохой курс, рекомендую

by Волков С А

Oct 03, 2018

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

Очень хорошие практические задания

by Vlad V

Jul 31, 2018

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 Макарихин А В

Aug 20, 2018

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 Skapenko I R

Aug 19, 2018

Отличное введение в data science.

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

by Акобян А А

Jun 17, 2019

отличный курс

by Kondrashin I

Jul 10, 2019

Шикарный курс. Спасибо авторам.

by Проневич О Б

Jul 10, 2019

Потрясающий курс с заданиями, которым легко можно найти аналоги в производственных процессах. Этот курс позволяет получить реальные практические навыки, а также аргументировать и защищать полученные результаты. Часть лекций "прерываются" на вопросы о продемонстрированном, что позволяет удерживать внимание и концентрировать на усвоении новом. Теоретический аппарат рассчитан на наличие достаточно серьезных знаний универской математики.

by Timur K

May 14, 2019

Сложно понимать теоретическую часть курса (много формул, сложная нотация), практическая часть особых сложностей не вызвала. Последнее задание по времени заняло полный день, хотя в описании стоит оценка необходимого времени 2 часа.

by Ваганов Н

Jun 03, 2019

Спасибо Константину Воронцову за чудесные лекции

by Маханьков Е И

Jun 02, 2019

Достаточно хороший курс который дает математическое обоснование изучаемым методам машинного обучения. Курс построен так: теория - отдельно, практика - отдельно. Чтобы выполнять практические задания надо владеть Python.

by Марков И С

Jul 14, 2019

Отлично помогает новичкам

by Смирнов С А

Jul 21, 2019

Прекрасный курс

by Горбунов М А

Jul 24, 2019

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 Dmitriy K

Jul 31, 2019

Этот курс подойдет людям с различной начальной подготовкой.

1. Если у вас не хватает математической подготовки, то лекции с формулами будут вас напрягать. Попробуйте не обращать на формулы внимание, а сосредоточьтесь на идеях. Осознать идеи вам поможет воображение. Если не поможет, то хорошая новость заключается в том, что для выполнения заданий эти формулы вам не понадобятся. Задачи решаются с помощью библиотек Питона. Вы возразите, что в лекциях о Питоне нет ни слова. Да, это чистая правда. Однако, авторы курса позаботились об этом и разработали пошаговые инструкции и подробные описания ко всем заданиям. В тексте описания приводятся необходимые участки кода, которые начинающие программировать на Питоне сами могут сначала и не осилить. Конечно, с основами языка вам придется познакомиться самостоятельно, но это, поверьте мне, посильная задача.

2. Если вы дружите с математикой, то потратив время на изучение основ языка Питон, вы сможете попробовать свои силы и самостоятельно реализовать алгоритмы машинного обучения, записанные в лекциях формулами. Чем не вызов для профи?

3. Если вы, увидев в названии слово «введение», решили, что этот курс для тех, кто совсем ничего не знает (ни математики, ни языка Питон), то вы не ошиблись. Вы узнаете в курсе много нового и интересного. Только не занимайтесь самообманом. Если потратить дополнительные усилия на получение недостающих вам знаний вы не можете (нет времени или сложно очень), тогда просто прослушайте курс для расширения своего кругозора. Кстати, задания первых двух недель можно вполне выполнить в Excel. Сам так сделал пока азы Питона изучал, а потом дело пошло.

Авторам большое спасибо!!!