Chevron Left
Voltar para Введение в машинное обучение

Введение в машинное обучение, National Research University Higher School of Economics

4.6
1,917 classificações
357 avaliações

Informações 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....

Melhores avaliações

por 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.

por DD

Feb 10, 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:

341 avaliações

por Timur Khamzin

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.

por Иванов Андрей Юрьевич

May 10, 2019

Спасибо большое, курс мне очень понравился, он дает очень много полезной информации.

Пожалуй единственный минус для меня - это некоторый разрыв между теорией и практикой.

por Vorobev Anton

May 10, 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 Коноваленко Игорь Владимирович

May 08, 2019

Курс очень увлекательный, он позволил мне вникнуть в предметную область, рассмотреть основные особенности алгоритмов и установить вектор будущего развития

por Вилькин-Кром Ник

May 02, 2019

мо4а

por Орлов Артур Валерьевич

Apr 29, 2019

Отличный курс для введения в Машинное обучение.

por Anya Goremykina

Apr 11, 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 Шаланкин Максим Дмитриевич

Apr 08, 2019

Отличный курс для введения в основные понятия.

por Артем Русанов

Mar 30, 2019

В целом неплохое введение в машинное обучение и использование питона для этих задач. Мне понравилось. Ролики с теорией в таком виде практически не воспринимаются, я уже забыл практически все, что в них было.

por Клейн Александр Маркович

Mar 24, 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).