Chevron Left
返回到 Введение в машинное обучение

学生对 国立高等经济大学 提供的 Введение в машинное обучение 的评价和反馈

4.6
2,282 个评分
459 条评论

课程概述

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...

热门审阅

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.

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.

筛选依据:

426 - Введение в машинное обучение 的 443 个评论(共 443 个)

创建者 Evgeniy R

Aug 16, 2017

Очень странный крус, непонятно на кого расчитанный. Теоретические лекции почти никак не соотносятстя с практическими занятиями. Крайне сомнительна польза данного курса, как для понимания теории, так и для понимания реальных задач работы с данными. Очень плохо описаны практические занятия, можно было подробней описать последовательность применения процедур из пакета sklearn. Одновременно проходил курс Andrew Ng из Стэнфорда. Совершенно иной подход. Всем рекомендую именно этот курс Machine Learning. И теория и практика там значительно лучше представлены.

创建者 Najib M

Feb 07, 2016

Крайне слабая подача материала, воспринимать его на должном уровне вы сможете только освежив знания по мат. анализу и другим предметам, изучаемым в высших учебных заведениях. Ко второй неделе вы рискуете потерять понимание происходящего при выполнении практических заданий, однако в погоне за "Зачетом" сделать вы их все же сможете, но лучше иметь знания программирования на Python

创建者 Maxim V

Sep 18, 2016

Лекции обзорные, для их понимания требуются дополнительные источники информации. Некоторые задания очень простые и для их выполнения не требуется понимание материала.

创建者 Fedorov I

Feb 06, 2016

Лекции - хорошие, а вот задания нельзя выполнять никак кроме как используя sklearn, хотя курс по машинному обучению, а не по данной библиотеке, это очень печально.

创建者 Ilya B

Feb 13, 2016

рассказывают одно, спрашивают другое, а на практике третье

创建者 Карпов А И

Jun 27, 2019

Новичку крайне сложно воспринимать информацию

创建者 Ólafur Þ

Oct 01, 2016

Слоооожно

创建者 Katya H

Feb 18, 2016

Курс мне абсолютно не понравился. Изложение материала с нагромождением фомул. Отсутствует практическая подача материала. За два часа лекций не было разобрано ни одного примера. Питон (ради которого я записалась на курс) вообще присутствует только в домашних заданиях. Я ожидала разбора возможностей питона в рамках машинного обучения с теоретической выкладкой.

Если за первые 20 минут упомянуть 25 разных формул, это не поможет студенту усвоить материал. Я не спорю, что материал в этом курсе возможно лучше всех возможных на свете, мне не удалось этого узнать, так как манера подачи материала отбила желание продолжать учебу.

Кстати, почти все теории, изложенные в первой лекции, используются мной на практике. Но от этого изложение материала не стало понятнее.

创建者 Просин Р А

May 08, 2020

Материалы частично устарели.

Лекции Константина Воронцова ужасно скучные и бесполезные. Он просто читает заученный текст и видимо сильно волнуется. Слушать не возможно. Кроме того, сами лекции это озвучивание учебника, с кучей формул на заднем плане, которые ни о чём не говорят, так как мелькаю быстро и не разу не объясняются.

Прочитав два абзаца здесь https://docs.microsoft.com/ru-ru/dotnet/machine-learning/how-does-mldotnet-work, я узнал и понял больше чем за все видео лекции первой недели...

Я рекомендую Константину поучится публичным выступлениям и оформлению презентационных материалов.

И в целом курс рекомендую актуализировать. Как минимум версию python обновить и инструкции.

Сделать задания более практичными и интересными.

创建者 Sergei K

Oct 16, 2018

Курс выпустили и бросили.

Лекции идут в режиме "галопом по Европам".

Основной "преподаватель" экает каждые две секунды.

Задачи не были адаптированы под более свежие версии sklearn (уж такую мелочь можно было и предусмотреть), которые выдают гораздо более качественные результаты (в одной задаче улучшение качества выборки на старом sklearn в ответе в 4 раза хуже, чем в моем решении на свежей версии пакета). Так как необходимая для воспроизведения результатов версия пакета отсутствует в описании курса - это большой минус.

Из плюсов - качественная практика, задания плавно нарастают по сложности и супер-сложных моментов нет.

创建者 Анна

Nov 14, 2016

Курс построен крайне странно: видео по теории фактически никак не связаны с практической частью, создаётся ощущение, что это два разных курса, зачем-то собранные вместе. Вопросов в тестах слишком мало для проверки понимания теории. Программный код в практической части почти весь уже написан за учащегося, т.е. по сути копируешь, вместо того чтобы самому реально разобраться и научиться (и, если хочешь это сделать, надо это делать отдельно самостоятельно, курс этот момент реального обучения в себя не включает).

创建者 Kirill K

Mar 13, 2016

Лекции представляют собой классический для советской физмат школы спам математической нотацией и слабо связаны с заданиями. Сами же задания выполняются простым вызовом указанных методов из пакетов pandas/scipy без какого-либо вникания в предмет. Резюмируя - тратить время на этот курс можно только если вы не владеете английским в достаточной мере, чтобы взять любой другой курс по данной тематике.

创建者 Igor K

Feb 23, 2016

Лекции плохого качества. Преподаватель перечитывает неадаптированный материал в сухой форме. Стоит получиться у профессоров Ng, Abu Yasser Mustafa, Bertserkas - как стоить делать научно-популярные курсы.

Имхо данному преподавателю стоит улучшить свой подход к преподаванию. Одного имени не достаточон для хорошего курса

创建者 Данил С

Jan 27, 2018

Очень сложно.

Никаких объяснений в лекции, сплошной гугл. Без предварительных знаний инструментов, просто тыканье в темноте с ограничением по времени. В итоге - трата времени неподготовленных учеников. Категорически не рекомендую, тем кто совсем не в теме.

创建者 Дмитрий М Д

Feb 10, 2018

Не разъяснили для кого курс. Нужно было установить требования к уровню знаний до начала курса.По сравнению с Andrew Ng, мало что понимаю сразу.

创建者 Alexander L

Dec 02, 2016

Осторожно! Данный курс может отбить все желание заниматься машинным обучением! Лучше пройдите курс от Andrew Ng

创建者 Ларкин В П

Jan 11, 2020

Система не принимает правильные ответы на тестовые задания.

创建者 Вилькин-Кром Н

May 02, 2019

мо4а