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:

376 - Введение в машинное обучение 的 400 个评论(共 443 个)

创建者 Ted K

Aug 29, 2017

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

创建者 Alexey K

Mar 08, 2016

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

创建者 Stanislav Z

Jan 06, 2018

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

创建者 Anton V

Feb 22, 2016

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

创建者 Novoselov D

Jul 10, 2017

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

创建者 Ваня М

Sep 04, 2017

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

创建者 Andrey M

Apr 21, 2016

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

创建者 Ольга Э

Sep 13, 2018

Увы, у меня нет математической основы для прохождения курса

创建者 Konstantin S

Jul 31, 2017

Несомненно полезный курс для новичков в машинном обучении.

创建者 Nikita C

Dec 10, 2017

Okay-ish курс для начинающих

Но в целом, мне понравилось

创建者 Гончаров А С

Jan 30, 2016

К сожалению пока не хватает практических примеров.

创建者 Kofman P

Mar 08, 2016

Хороший курс, но мало связи теории и практики.

创建者 Totyshev Y I

May 26, 2018

Сложно для новичка и очень много сухой теории

创建者 Evgeniy P

Mar 21, 2016

Not bad for introduction in Machine Learning

创建者 Mark O

Jul 26, 2017

Теории невероятно больше чем практического

创建者 Алексин А А

Jan 24, 2018

спасибо за такой обучающий вводный курс)

创建者 Oleg

Nov 10, 2016

Explanations are not always transparent.

创建者 Leonid B

Sep 11, 2016

Вполне пристойное введение в предмет.

创建者 Vladimir M

Dec 18, 2016

Теория немного оторвана от практики

创建者 Шубин Н Ю

Sep 03, 2018

Спасибо! Было познавательно.

创建者 Anton R

Jan 30, 2016

Порог входа очень большой.

创建者 Рыжов М С

Feb 14, 2016

Some problems with tasks.

创建者 Сидоров К О

Sep 13, 2020

Не для новичков такое.

创建者 Pavlov A

Aug 17, 2016

Good intro

创建者 Alexey K

Mar 15, 2017

В целом не плохой курс, дает представление о машинном обучении. Охватывает много тем, один из немногих на русском языке. Очень понравился финальный проект на реальных данных. Большой недостаток курса проявляется еще до его начала - это неточное описание сложности, слишком мягкие требования к слушателям. Читаем: "нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах. Для выполнения практических заданий потребуются базовые навыки программирования." На самом деле математика в курсе явно не для человека который просто "знает об основных понятиях", в этих понятиях надо хорошо разбираться, чтобы не возникло проблем с пониманием теоретической части. Базовых навыков программирования вам так же не хватит, придется осваиваить все на ходу.

Что еще не понравилось:

По теории - её очень много, но она вообще не используется в практических задания. В практике почти везде используются готовые библиотеки, использование которых возможно вообще без тех знаний, что даются в лекциях. Лекции читаются в типичной университетской манере, когда лектор уверен в достаточности знаний у аудитории, идет по материалу быстро, не вдаваясь в глубокие разъяснения. Именно слушать такие лекции смысла не много, с тем же успехом их можно было просто выложить в виде мини-учебника вместе со слайдами, эффект был бы тот же.

По практике - в лекциях не ни слова по практике на Python, выполняя практические задания придется ориентироваться только на не всегда полные текстовые описания и все время читать документацию по библиотекам языка (sklear, pandas, numpy). Из-за этого задания, оцененные на 3 часа выполнения, превращаются во все 9 часов, а по началу и более, пока вы не освоите язык и не накопите кодовую базу, куски из которой позже можно будет использовать повторно.

Если вы хорошо знаете высшую математику на уровне 2-3 курса технического вуза, вы не новичек в программирование, то этот курс для вас. Конечно, курс можно протий и так, но часть теории останется для вас загадкой, а на практику вы потратите в разы больше заявленного врмени.