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:

376 — 400 de 452 Avaliações para o Введение в машинное обучение

por Журавлев П

4 de Mai de 2020

Хороший курс, но я бы еще добавил пару заданий по самостоятельному написанию простеньких алгоритмов машинного обучения.

por Andrey Z

17 de Jul de 2019

Some lessons are too math-detailed. It would be better to introduce more realistic examples to explain ideas behind

por Sergey B

10 de Mar de 2016

Курс хороший, но присутствует дисбаланс в теории и практике. Но в целом, как введение, очень даже хорошо.

por Leonid G

15 de Out de 2016

Отличный курс.

Не поставил 5, потому что частенько дается теория не подкрепленная объяснениями.

por Васильченко Ю В

18 de Mai de 2020

Курс неплохой, но информации в лекциях зачастую недостаточно для выполнения практических работ

por Ted K

29 de Ago de 2017

Теория тяжела без высшего математического/опыта в индустрии, но практические задания хорошие.

por Alexey K

8 de Mar de 2016

Too complex lectures for novices, too easy assignments for experienced python programmers.

por Stanislav Z

6 de Jan de 2018

Хороший курс, дает начальное представление о предмете и побуждает двигаться дальше :)

por Anton V

22 de Fev de 2016

Thank you for this course. It helps me learn a lot of interesting about Data Science.

por Novoselov D

10 de Jul de 2017

Целевая аудитория не определена. Курс плавает по уровню от лекции к лекции.

por Тюгунов Р Р

28 de Nov de 2020

Хороший курс!Но начинать с него вникать в машинное обучение тяжеловато)

por Ваня М

4 de Set de 2017

Все круто, но заданий по нейронкам хотя бы на базовом уровне не хватает

por Andrey M

21 de Abr de 2016

Спасибо! за прекрасно проведенное время и знания которые я получил =)

por Ольга Э

13 de Set de 2018

Увы, у меня нет математической основы для прохождения курса

por Konstantin S

31 de Jul de 2017

Несомненно полезный курс для новичков в машинном обучении.

por Nikita C

10 de Dez de 2017

Okay-ish курс для начинающих

Но в целом, мне понравилось

por Гончаров А С

30 de Jan de 2016

К сожалению пока не хватает практических примеров.

por Philipp K

8 de Mar de 2016

Хороший курс, но мало связи теории и практики.

por Totyshev Y I

26 de Mai de 2018

Сложно для новичка и очень много сухой теории

por Evgeniy P

21 de Mar de 2016

Not bad for introduction in Machine Learning

por Mark O

26 de Jul de 2017

Теории невероятно больше чем практического

por Алексин А А

23 de Jan de 2018

спасибо за такой обучающий вводный курс)

por Oleg

10 de Nov de 2016

Explanations are not always transparent.

por Leonid B

11 de Set de 2016

Вполне пристойное введение в предмет.

por Vladimir M

18 de Dez de 2016

Теория немного оторвана от практики