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
2,303 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:

76 — 100 de 452 Avaliações para o Введение в машинное обучение

por Egor Z

10 de Dez de 2019

Обалдевший курс! Немного теории + практика работы с библиотеками Python sklearn, pandas, numpy. Спасибо авторам!

Хорошо ложиться, если вы уже имеете некоторый опыт в высшей математике (особенно что касается матриц и методов оптимизации) и программировании на python.

por Кузнецов Н А

22 de Jun de 2016

Очень понятный курс, не перебарщивающий с упрощением материала. Домашки делаются на питоне, как в жизни. Я бы добавил во вспомогательные материалы больше тонкостей по настройке методов в питоне и общий обзор методов в картинках для интуитивного понимания

por Астраханцев Р Г

25 de Set de 2018

Несмотря на кажущуюся сложность требующейся математической базы, лекторы умело и доходчиво объясняли довольно сложные и витиеватые темы красочными и наглядными иллюстрациями, а так же приводили довольно интересные и запоминающиеся аналогии.

por Sergey M

9 de Fev de 2016

Отличный курс! Особенно порекомендовал бы его как введение в библиотеку scikit-learn. Дается много полезный практических советов и рассказывается об интеренсных особенностях различных алгоритмов обучения. Спасибо, курс очень пригодился!

por Лазарев А В

26 de Out de 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.

por Timur K

14 de Mai de 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.

por Darya L

14 de Dez de 2017

Немного не хватает математики: объяснения всех упомянутых в курсе формул. Тем не менее, курс дает отличное базовое представление о машинном обучении, а большое количество практических заданий помогают чувствовать себя уверенней.

por Николай

24 de Abr de 2017

Прекрасно. Сложно. Поначалу тяжело, потом как-то втягиваешься. Для полного понимания всего материала надо быть сильно продвинутым в математике. Задания иногда действительно не совсем соответствуют теории, это слабое место курса.

por Милютин В В

2 de Mai de 2020

Отличный курс для начинающих. Курс раскрывает все основные аспекты работы с данными и рассматривает как работают модели машинного обучения изнутри с математической точки зрения. Буду рекомендовать Ваш курс. Спасибо за Ваш труд.

por Никифоров В И

6 de Jun de 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.

por Artem B

23 de Out de 2016

Хороший курс для начинающих. Рассказывается все самое важное без перегрузки. Хорошие задачи для самостоятельного решения.

Хотелось бы решать задачи на кластеризацию, нейронные сети, в том числе глубокие, но этого в курсе нет.

por Leonid S

18 de Mai de 2016

Хорошо структурирован, просто воспринимать информацию. Можно сделать больше практических заданий, на закрепление материала; добавить задания без общих инструкций.

Не удобно сдавать задания(из-за форматирования файла в конце).

por Boris

14 de Fev de 2017

Хороший курс с хорошими заданиями. Но мне как человека который не встречается с математикой каждый день немного показался сложноватым материал лекций и для того чтобы уловить некоторые вещи приходилось долго медитировать.

por Гридасов И И

26 de Jul de 2017

Отличный курс, иногда сложно из-за слишком формальной постановки задач, но практические задания разбавляют избыточную формальность и на выходе мы имеет, математический фундамент в теории и разработанные руки на практике)

por Маханьков Е И

2 de Jun de 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.

por Филипьев А В

8 de Fev de 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.

por Fabio M S

22 de Fev de 2016

Очень хороший курс! Трудные и сложные задания, так как и есть настоящие задачи в области анализа данных. Но учители всё ясно объясняют, только надо хорошо мозгами работать для того, чтобы успевать все уроки пройти.

por Semjon M

16 de Mar de 2016

Мне очень понравился курс, огромное спасибо преподавателям, Яндексу и всем, кто участвовал в подготовке курса! Отдельная благодарность за математику - очень приятно размять мозг спустя 10 лет после университета.

por Мезенцев Н В

13 de Fev de 2019

Очень интересно, порой бывает сложно, чувствуется некая недосказанность, поэтому мне приходится параллельно смотреть на ютубе Курс «Машинное обучение» 2014, там более подробно описывается теория данного курса.

por Sergey K

25 de Jul de 2018

Отличный курс для первого знакомства с машинным обучением. Хороший баланс практических заданий и теории. Теория подается сбалансированно - не углубляясь в детали, но все, что необходимо знать в контексте темы.

por Artem A

4 de Dez de 2019

Интересный обзорный курс, простой и весьма поверхностный. Рекомендую к прохождению как новичкам в ML, а также просто желающим расширить свой кругозор и познакомиться с популярными методами машинного обучения.

por Sergey Y

19 de Nov de 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!

por Festa Y Y

13 de Set de 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.

por maximus

21 de Nov de 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.

por Alexey

15 de Jun de 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.