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

4.7
2,217 个评分
439 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

AA

Jun 15, 2016

Хороший курс без лишнего. Некоторые методы, предлагаемые в заданиях не оптимальны с точки зрения затрат ресурсов компьютера и времени программиста, но, надеюсь, с новыми сессиями будет развитие курса.

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.

筛选依据:

376 - Введение в машинное обучение 的 400 个评论(共 424 个)

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 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.

创建者 Pavel A

Mar 02, 2016

Курс новый, и хотя очень интересный, весьма сырой. Не считая всяких мелких технических ошибок, которые авторы исправляют достаточно быстро, всё даётся совсем по верхам. Без толкового описания что к чему и зачем. Примеров явно не достаточно. А практические задания весьма далеки от теории. Не в том смысле что они не о том, а скорее в них нужно выполнить работу, делая системные вызовы некоторых библиотек питона. При этом прямой связи почему эти вызовы, а не другие, почему так, и что там должно происходить либо не повествуется, либо умалчивается :)

Но я рад что прошёл и закончил этот курс. Рад также что "пришлось" познакомиться с Python (моё мнение о нём немного улучшилось).

创建者 Vladimir L

Feb 05, 2018

Сначала было интересно... Но потом, - встречаются ошибки в тексте. Темы начинаются с видео, потом переходят в загруженный отдельно PDF. Какая-то сборная солянка. В видео идут общие теоретические знания - аля как важен Machine Learning в общих фразах, а чтобы решить задачу предлагается изучить ссылки на другие курсы для работы с Python Notebook и pandas - зачем тогда ваш курс если все приходиться самому изучать на английских сайтах?

Невозможно пройти простейшие тесты из-за ошибки в принятии правильного ответа. Сложные ответы были приняты. Система приема ответов не продумана по сравнению с другими курсами Coursera. Типичный Яндекс.

创建者 Андрей П

Jul 23, 2019

Курс должен называться "Введение в математические основы машинного обучения". Много сухой теории без примеров из реальной жизни. Да могу я теперь написать регрессию с нуля, только толку то? Зашел на kaggle взялся за титаник и понял, что я ничего не знаю о тех самых основах предобработки данных и их визуализации, выбора фич и их создания. Да конечно неплохо понимать, что происходит когда стучишь молотком по гвоздю, но все же думаю логично сначала научить правильно пользоваться молотком, а потом уже углубляться, чтобы можно было пилить собственные молотки.

创建者 Dmitry Y

Mar 12, 2016

Курс сыроват. Складывается ощущение, что делали его "на коленке" и в последний момент.

Материал очень интересный, но подан очень своеобразно.

Что ожидалось? Хотелось рассмотреть теорию, попробовать реализовать это на практике, и затем сравнить на реальной задаче свой велосипед и готовые пакеты. Что вышло - четко разделенная сухая теория и совершенно библиотеко-ориентированная практика.

创建者 Semen K

Mar 25, 2016

не хватает глубины обзора материала, лекции Воронцова на сайте яндекс, кажутся гораздо подробнее, структурированнее и понятнее.

задания часто не согласуются с лекциями, без предварительных знаний python и scikitlearn не обойтись

скрипты проверки скриптов с ошибками(

осталось впечатление что курс очень сырой(

创建者 Dmitriy S

Aug 04, 2017

Курс вполне неплох. Уровень преподавателей в соответствующей области высок, но название "Введение..." не соответствует содержимому, чтобы лучше понять нужно быть хорошо подкованным в математике, а также уже иметь представление об МЛ.

创建者 Nikolay B

Feb 12, 2016

Лекции очень короткие и насыщенные, порой задумываешься над формулой, а пропустил уже 3 новых. Всет-ки есть какой-то лимит по времени воспринимания информации, нельзя все формулы уместить в 5 минут не потеряв часть аудитории

创建者 Коротков В Е

Jun 18, 2019

Много теории, при этом мало визуализации - не всегда понятно, что имеет в виду лектор. Совсем нет лекций с примерами решения схожих задач. Мало задач (в идеале должно быть 10от простых (на 10-20 минут) к сложным

创建者 Drozhnikov A

Feb 06, 2016

Курс требует хорошего знания Python. В лекциях в основном теория без примеров с кучей формул. В практических модулях реализация метода средствами Python. Нюансы настройки метода не объясняются.

创建者 Evgenii D

Jun 05, 2018

На мой взгляд, в качестве начального обучения курс тяжеловат, более-менее понимаешь о чём идёт речь только к концу. Поэтому рекомендую для освежения просмотреть курс второй раз.

创建者 Гаманец Р А

Mar 17, 2019

Вот смотрю я видео, и понимаю, что ничего не понимаю. А беру задания, выполняю, и начинаю понимать. Но главное не понимаю, а зачем нужна какая модель. А это очень грустно.

创建者 Narek

Mar 20, 2016

Хорошие задание по практите. Теория конечно для продвинутых дается, но в целом какое представление о предмете появляется, но очень слабое.

创建者 Victor A

Jun 03, 2020

Что плохо:

Очень мало практики

Теория сильно оторвана от практики

По Нейросетям нет практики

Что хорошо:

Всё остальное

创建者 Peter K

Feb 05, 2016

Need very strong skills and experience in Python. Also, some basic knowledge in ML also is necessary.

创建者 Ustinov M

May 03, 2016

Очень сухой стиль изложения. Почти ничего не рассказано о существенно используемом в курсе python.

创建者 Andrei V

Mar 16, 2016

сырые практические задачи. мало примеров в лекциях, мало практики. слишком по-академически.

创建者 Andrey T

Mar 14, 2016

very little relationship between lectures and assignments. was expected more practices

创建者 Kirill S

Oct 01, 2019

Много формул, оторванных от практики, хотелось бы в видео больше практики

创建者 Alexandr S

Feb 24, 2016

Курс не до конца проработан методически

Нужно в дальнейшем это исправить