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
2,280 个评分
458 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:

351 - Введение в машинное обучение 的 375 个评论(共 442 个)

创建者 Федоров П А

Nov 25, 2018

Неплохой курс, но теория не сильно соотносится с практикой. Не понимаю зачем было во 'введение' впихивать так много математики, которая только запутает новичка. Практические задачки интересные и не сложные, если знаком с Pandas и NumPy.

创建者 Кирюшин А А

Jul 01, 2020

Курс замечательный, мне очень понравился, просто из за того что ему уже около 5 лет, его видемо перестали обновлять, и некоторые данные устарели, но с помощью форума с этим можно справиться. В целом, курс замечательный, реально вводит

创建者 Adel

Mar 20, 2017

Фундаментальный курс, из-за этого многое тяжело воспринимается. Довольно мало наглядности. Тем не менее, материал доступен и понятен. Почти всегда. Заставит тех, кто не знает питон, выучить его и начать пользоваться.

Спасибо авторам!

创建者 Воробьев Г В

Aug 30, 2019

Теоретическая часть рассказана превосходно и дает понимание как вообще работает машинное обучение. Единственное, неплохо было бы актуализировать практические задания по программированию до питона3 и новых версий библиотек.

创建者 Konstantin V

Mar 17, 2017

https://medium.com/@CV89/%D0%B2%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5-%D0%B2-%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5-coursera-5e3fcc44d95f#.uucovnf1a

创建者 Kirill L

Feb 28, 2016

Интересные задания, показано много инструментов и библиотек Python для ML. Немного не согласованные лекции с более высоким порогом входа, чем задания. Но в целом отличный толчок дальше погружаться в эту область.

创建者 Артем Р

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.

创建者 Dmitry G

May 10, 2016

Хорошое наполнение математикой (в отличие от Andrew Ng).

Из минусов:

-Ничего толком не рассказано про нейронные сети

-Задания слишком легкие

В целом, курс очень хорош для старта изучения ML

创建者 Alexander A

Feb 14, 2018

Отличный ознакомительный курс! К сожалению нет практических заданий на глубинное обучение.

Great course! Unfortunately it does not contain deep learning practical assignments.

创建者 Иванов А Ю

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.

创建者 Kirill Z

May 10, 2018

Хороший курс, позволяет понять азы машинного обучения. Мне не хватало навыков программирования в Питоне, по-этому некоторые задания выполнялись медленнее чем могли бы.

创建者 Kyrylo K

Mar 21, 2016

Я бы не сказал что это вводный курс, думаю что для начала можно послушать курс от Andrew Ng. Зато не плохое введение в инструменты для машинного обучения на Python.

创建者 Чернышев А В

Dec 01, 2019

Мало наглядных примеров в лекциях, что усложняет восприятие.

Мало примеров реализации на python, много приходилось искать, т.к. опыта работы с python не было

创建者 Petrovich S

Aug 09, 2020

Немного странный формат сдачи заданий на программирование, а также нет заданий на программирование по нейросетям. В остальном курс очень хороший!

创建者 Гудиев А

Dec 19, 2017

Хороший курс. Местами много теории, мне кажется, которая потом не используется в практических заданиях. Но мне все равно понравилось. Спасибо!

创建者 Stanislav A

Feb 15, 2016

difficult for beginners

the authors don't explain many necessary things

it is useful only for students with the basic knowledge (math, physics)

创建者 Norov A M

Jan 17, 2020

Отличный курс. Есть рекомендация сделать видеобъяснения от профессора более простыми, т.к это введение для начинающих специалистов

创建者 Valery M

Aug 20, 2018

Cлишком много "простой" теории в лекциях, отсутствуют практические замечания. Домашние задания и финальный проект порадовали.

创建者 Polina B

Aug 19, 2020

Нужно больше практики. Лекции про то, как кодить, например, - их очень не хватало. Но не помешали бы и задания на теорию.

创建者 Журавлев П

May 04, 2020

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

创建者 Andrey Z

Jul 17, 2019

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

创建者 Sergey B

Mar 10, 2016

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

创建者 Leonid G

Oct 15, 2016

Отличный курс.

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

创建者 Васильченко Ю В

May 18, 2020

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

创建者 Ted K

Aug 29, 2017

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