Chevron Left
Voltar para Введение в машинное обучение

Comentários e feedback de alunos de Введение в машинное обучение da instituição National Research University Higher School of Economics

4.6
estrelas
2,302 classificações
468 avaliações

Sobre o curso

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...

Melhores avaliações

AL
24 de Set de 2018

Понравилось отсутствие "разжевывания" материала, короткие и информативные видео-лекции, довольно интересные задания. Курс дал начальное понимание основных принципов и направлений в ML.

DD
9 de Fev de 2016

Спасибо за курс. Хороший материал. Отличные задания.\n\nЕсть желание пройти курс "Практическое машинное обучение" с большим количеством примеров и практик от авторов этого курса.

Filtrar por:

1 — 25 de 452 Avaliações para o Введение в машинное обучение

por Митрофанов А А

20 de Jan de 2019

Курс преподается отвратно. Читается сложным языком, множество математических терминов с минимумов примеров. Не ждите никаких простых объяснений от курса. Условия заданий написаны неоднозначно, вызывают много вопросов. Этот курс будет понятен если вы уже разбираетесь, что такое машинное обучение и нейронные сети, но тогда непонятно зачем он специалисту. Рекомендую прочесть книгу "Создаем нейронную сеть", где автор практически объясняет на пальцах предметную область. Очень простая подача материала с примерами и поэтапным введением.

por Kuznetsov I

9 de Out de 2017

В общем случае курс на 3 с минусом.

Если Вы студент или только-что (2-3 года назад) закончили ВУЗ, то этот курс позволит освежить имеющиеся знания. Так скажем, некая шпаргалка или выжимка ключевых знаний.

Если Вы закончили институт лет 15-20 назад (как в моем случае), то это курс будет совершенно бесполезен т.к.:

1. Теория оторвана от практики. "... Вот тебе лекции. Хочешь, считай практику на листочке, а хочешь, на счетах". Утрировано, но смысл верный. Лекции совсем никак не приблежают к возможности выполнить тестовые задания (кроме теории).

2. Лекции ориентированы на подготовленного слушателя. Без знания (ну хотя бы освежить) курса линейной алгебры, статистики тут делать нечего (возможно еще что-то, разберусь, допишу).

3. Наверное я плохо слушал теорию, но у меня не сложилось понимания о том, когда и в каких случаях применять тот, или иной инструментарий. Сложилось впечатление что подход следующий "... вот тебе кувалда, молоток, пасатижы, микроскоп и погнали чинить космическую станцию. Как, что и чем забивать, разберемся на месте. "

4. Сложилось впечатление, что курс "надергали" студенты из каких то заготовок, за возможность получить зачет автоматом. Теория - хороший академический обзор. Пояснений по практике нет. Задания какие-то совсем не жизненные.

У меня пока все. Всем удачи. А я пошел осваивать азы линейной алгебры ( здесь же на курсере) .

P.s. Да, для таких как я надо все разжевывать детально.

P.p.s Подход "Щас быстро накидаем, авось прокатит" - не прокатит.

por Vorobev A

10 de Mai de 2019

Узнаю. Узнаю отечественное вузовское образование : 1)Качество лекций никого не волнует "патамушта есть книжка". Вместо объяснения сути зачитывать формулу с экрана это вообще за гранью 2)Лабораторные - отдельная дисциплина. Даже лучшее знание теоретических основ никак не поможет их выполнить. А качество "методичек" таково, что выполнить их нормально(быстро) может только тот кто уже их выполнял ранее. 3)Объяснять нормально что-то пытаются только аспиранты.

В общем, по мне так, курс преотвратный. Зачем понадергали какие-то ошметки теории в эти "лекции" , абсолютно не связанные с практическими заданиями, совершенно не ясно. По сути, лекций последней недели для целей "введения" - предостаточно. С "введением" вообще анекдот - чтобы за установленное время со всем этим разобраться нужно уже "быть в теме" и давно. Основы уже должны быть понятны.

Для тех, кто решился : 1) Про Pyton тут ни слова, не помогут, изучать придется самостоятельно с нуля, если ранее с ним не имели дела 2) Курс устарел, версии предлагаемых к использованию библиотек шагнули вперед(зато узнаете чем синтаксис pyton 2 отличается от pyton 3, хе хе... 3) Для новичков будет сложно т.к. 90% лекций курса не для новичков

P.S. Я не понимаю для кого этот курс. Варианты : для студентов Воронцова или желающих поработать в Яндексе(в финальном задании приглашают). Сама тема то не сложная. Сложной ее делает бездарное преподавание.

P.P.S. Курс я завершил на 100%, если что, не бросил

P.P.P.S А Соколов, кстати, молодец. Его объяснения самые понятные и содержательные в курсе.

por Artem

11 de Jun de 2019

Некачественный курс: много формул, мало примеров, объясняют простые вещи сложным языком.

por Dzmitry B

30 de Jan de 2019

К сожалению, курс расстроил. Единственная причина по которой я понимал основное содержание лекций - это пройденный курс от Стэнфордского университета. Вместо понятного перехода от частного к общему на голову валится максимально абстрактная теория. Такое чувство, что курс либо делался "на отвали", либо является предельно сжатой версией более длинного курса (другие курсы от Яндекса я не проходил, но планирую это сделать). К тому же абсолютно расстроила тема финального задания. По моему личному мнению, любая, даже самая бестолковая тема гораздо интересней, чем дота. Что порадовало - это задания по программированию, в которых в достаточной, но не слишком избыточной форме предлагались хорошие инструменты, и для того чтобы их использовать, приходилось глубже познакомиться с ними, делать этакий микро-research.

por Aleksandr A M

10 de Fev de 2018

Отличный пример того, как объяснить простые вещи максимально сложно.

por Yura V

4 de Jun de 2016

Не хочу никого обидеть, но по моему в этом курсе все объяснялось максимально непонятным способом. Один за другим сыпалась куча неясных терминов. Несмотря на то, что я носитель русского языка, мне намного понятнее и яснее дались лекции Andrew Ng. Пусть на английском, но там хоть все ясно излагается и с конкретными примерами.

por Гусаров Н В

31 de Ago de 2018

Невероятно странная форма преподавания, которая ничему не учит кроме как пользоваться библиотеками и документацией к практическим заданиям которые слабо сочетаются с лекциями

por Jack B

11 de Ago de 2017

Создалось впечатление, что у лектора цели научить, собственно, нету. Куча непонятных формул, которые не поясняются. Одним словом, выпендрёж.

por Kirill B

25 de Jul de 2017

Дошел до третьей недели курса. В начале курса было понимание что происходит в уроках. Затем появилось очень много терминов идущих друг за другом и у меня понимания не возникает никакого. Если раньше мог пойти на википедию или в интернет посмотреть и почитать, то с третьей недели вообще не понятно что искать и что я должен был узнать из урока. Все тонкости проходятся стороной, а различная игра с формулами не объясняется вовсе.

Курс рассчитан на людей с хорошей мат. базой, которые уже много знают по теме.

por Igor S

5 de Abr de 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.

por Dmitriy K

31 de Jul de 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!!!

por Vasiliy S

3 de Jun de 2019

Ощущение, что курс рассчитан на тех, кто уже и так специалист в области. Если вы хотите научиться новому, то он не для вас. Если вы уже имеете определенный опыт в машинном обучении и хотите повторить материал (по какой-то причине), то можно послушать.

por Мельник А Г

2 de Out de 2016

Очень плохо.

Минусы:

1.Лекции (если это можно так назвать) являются сильно сжатым набором мат. терминов. Статья с википедии или любой веб ресурс по ML намного информативнее. Надо очень постараться, чтобы так плохо преподавать материал.

2. Если лекции это "математический спам", с нулевой педагогической ценностью, то практические задания вообще не требуют представления об алгоритмах ML, достаточно набросать несколько строчек на пайтоне, причем буквально выполняя инструкцию к заданию, и все, задание готово.

Плюсов нет.

Я купил этот курс, хватило буквально на 2-3 урока, прекратил этот мазохизм и перешел на англоязычный курс andrew-ng. Это вообще не идет ни в какое сравнение: там ставиться цель - доходчиво донести материал, все излагается последовательно, логично и достаточно понятно.

Очень жаль, что нет адекватных русскоязычных курсов по машинному обучению, а ведь советская педагогическая школа, и в частности математическая, одна из лучших в мире.

por Anya G

11 de Abr de 2019

Я получила, хорошее представление о том, что вообще такое машинное обучение, и некую начальную теор базу. Почти под любую тему есть ссылка на соответствующие полноценные написанные лекции, которые очень помогали получить более широкую картину. И самое главное были интересные и полезные практические задания.

por Medvedkin A

26 de Mai de 2020

Все очень понравилось и задания интересные! Основная засада в курсе: примеры на втором питоне, а у меня третий, да и библиотека sckit-laern на месте не стоит тут наконец-то пригодится ваше знание английского языка =)

por Aleksandra L

25 de Set de 2018

Понравилось отсутствие "разжевывания" материала, короткие и информативные видео-лекции, довольно интересные задания. Курс дал начальное понимание основных принципов и направлений в ML.

por Kuznetsov A S

10 de Jun de 2018

Добротный курс, который дает набор минимальных знаний по теме. Сделано качественно, однако, есть что поправить в плане структурной целостности и логичности построения курса.

por Egor C

19 de Nov de 2017

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

por Alexander K

24 de Mar de 2019

Курс сложный, в описании сказано, что он для мамкиных гуманитариев, но нужно сильно вспомнить математический анализ, чтобы хотя бы поверхностно понимать суть лекций. В целом, пройти его нужно, если хочется попасть в Data Science и в Data Engineering (в курсе много времени уделяется подготовке данных).

por Nick S

25 de Out de 2017

Курс отличный! Но часто ловил себя на мысли, что многие вещи можно было проще объяснить добавив немного визуализации (графики, схемы, анимации) дополнительно в формулам

por Макс К

31 de Jan de 2019

Требуется больше практических примеров. Евгений Соколов - великолепен. Очень понятно объясняет сложные вещи.

Константин Воронцов - классический профессор вуза. Говорит сложно, без примеров. Для понимания требуется большой математический бэкграунд. Чего в курсе для "начинающих" не предполагалось, как мне кажется.

por Djana R

24 de Jun de 2018

So, so.It is not a clear structure, no clear examples, no did with the heart.

por Максим

12 de Nov de 2020

Я достаточно новый человек в программировании, и не так давно меня заинтересовала область data science и machine learning. И первым моим курсом в этой области стал именно этот курс.

Если честно, я не ожидал простого обучения, но по факту курс оказался очень энергозатратным и времязатратным! Я купился на название - слово ВВЕДЕНИЕ как будто говорило, что чересчур сложно быть не должно. Но... В итоге, на протяжении 10-11 недель (на пару недель я выпал из обучения из-за отпуска) пришлось уделять по 5, 7, а то и по 10 часов в неделю на изучение материалов и выполнения заданий! Порой это был кошмар... Но это даром не прошло!

Оглядываясь назад, я понял, что за это время узнал очень много нового. И это замечательные, практические знания. Я считаю, полученные знания пригодятся при поиске работы и дальнейшей трудовой деятельности в сфере data science. Но чтобы их получить, нужно быть готовым, что порой приходится в процессе курса "рыть носом землю" самому. Благо есть форум, который выручал много раз, спасибо другим ученикам за разъяснения и подсказки.

Из минусов курса:

Слишком формализованный подход к лекциям (я был немного в шоке после просмотра первых видео), очень много математического языка, непонятных слов и терминов. Тут нужно быть готовым, хотя бы морально. Изучите прежде математику, или хотя бы просто освежите университетские знания.

Не всегда четко изложены задания, поэтому приходится, как говорил выше, искать все самому. Я понимаю, здесь тоже есть элемент самообучения, но порой это чересчур бесило...

Особенность платформы при сдаче ответов. Про это тут не писал только ленивый, поэтому не буду вдаваться в разъяснения. Хотя сильных неудобств лично не почувствовал от этого.

Из плюсов:

Задания классные! Интересные, разнообразные, мне очень понравилось!

Несмотря на сухость лекций, в них дается качественный, годный материал.

Понравился блок лекций на последней неделе, когда в компактной форме подвели итоги, и разъяснили основные моменты работы data scientist'а. Выжимка со всего курса просто отличная!

Интересный момент с проверкой чужих работ в конце курса. Ознакамливаешься с тем, как другие люди пишут код и какие приемы применяют. Очень полезно!

Подводя итоги, мне курс понравился! Желаю всем учащимся удачи, и не опускать руки в процессе обучения! Самый тяжелый этап (по своему опыту) - 2я-3я недели. Если пройдете их - дальше должно быть намного легче!

Спасибо за курс разработчикам!

por Andrey F

26 de Dez de 2016

Хороший обзорный курс. Его преимущество в том, что он позволяет за относительно короткий срок составить представление об основных методах машинного обучения, применяемых на практике. Причем в лекциях дается хоть и лаконичное, но вполне серьезное теоретическое объяснение работы алгоритмов, глубина познаний лектора вызывает большое уважение. Недостатки этого курса - продолжение достоинств. Объем лекций на мой взгляд маловат и не всегда позволяет глубоко понять теорию, стоящую за изучаемыми методами (я знаю, что первое слово в названии курса - "введение", но тем не менее). Некоторые вещи стоило бы "разжевывать" подробнее. Практические задания же часто слишком простые и глубокого понимания теории и не требуют - для их выполнения достаточно научиться пользоваться готовыми библиотеками.

Кроме того, небрежно оценено время прохождения - на все практические задания якобы надо по 3 часа (хотя многие из них достаточно простые и у меня уходило намного меньше времени), а вот финальное задание, самое сложное и объемное, оценено в 2 часа. Ну и прочие технические недоработки реализации, типа необходимости вручную убирать перевод строки в файле с ответом (хоть это и недостаток самой платформы, не все курсы здесь от него страдают) - все это несколько портит впечатление.

Но поставил все-таки пять звездочек, потому что несмотря на все эти недочеты я благодарен авторам курса за их труд и за те знания, которые я здесь получил, и очень рад, что русскоязычные курсы по этому направлению вообще существуют и конкретно этот явно стоит того, чтобы его пройти.