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:

51 - Введение в машинное обучение 的 75 个评论(共 443 个)

创建者 Стебеньков А С

Nov 22, 2017

Очень было трудно на первых трех неделях войти в эту область знаний. Плохо программировал, не знал Python, смутно ловил суть каждой темы. Но спустя некоторое время стал все больше и больше понимать и в конце очень хорошо обобщили все полученные знания. Думаю, что научился не только ML, но и Python. Понравилась подача материала и запомнилось финальное задание.

创建者 Прокошин В А

Sep 25, 2017

Очень понравился курс! Особенно - интересные практические задания. Давно интересовала данная тема, но никак не мог найти с чего именно начать ее изучение. Те материалы, которые читал, только еще больше запутывали. Здесь же, хотя и не без трудностей, но доступно и увлекательно получил базовые знания, благодаря которым уже могу решать часть насущных проблем.

创建者 Долгалев А П

May 13, 2020

Большое спасибо, отличный курс! Мне как математику и человеку, из языков программирования знающему только C/C++, было интересно как знакомиться с Python (язык хотя и медленный, действительно очень удобный для математиков, в том числе благодаря отличным библиотекам numpy и scikit), так и узнавать новые для себя вещи в плане построения математических моделей.

创建者 Нетай И В

Aug 05, 2019

Отличный курс, дающий хорошее введение, подробно описан, снабжён достаточным количеством примеров и заданий, подробно описывающих по шагам применения разных алгоритмов, алгоритмы математически обоснованы и мотивированы. Задания подробно описаны, всегда чётко понятно, что требуется сделать в задании и как это сделать. Отдельное спасибо за отличные лекции!

创建者 Малинкин П Б

Jan 22, 2019

Хороший курс для начинающих, кто уже достаточно знает теории, но еще не приступил к практике. Мне он очень помог, чтобы сделать первые шаги в создании скриптов по анализу данных.

Правда, есть в курсе 3-4 задачки, которые новичку будут, на мой взгляд, очень сложны. Но это заставляет искать информацию в интернете, что способствует получению больших знаний.

创建者 Зубова Е В

Jun 18, 2020

Хороший курс для знакомства с алгоритмами машинного обучения, даёт представления о математике алгоритмов, знакомит с функционалом библиотеки scikit-learn. Материал подаётся в сжатой форме, поэтому для лучшего понимания объясняемого мне понадобилось использовать дополнительные источники информации, ссылки на такие источники есть и в самом курсе.

创建者 Горбунов М А

Jul 24, 2019

Очень полезный курс именно для введения в машинное обучение, т.е. с нуля. Каждая задача ставится таким образом, что необходимо искать дополнительный материал по реализации. В результате код получается локаничным, даже порой элементарным, но только по результату работы. Numpy и pandas нужно будет изучать самостоятельно. Рекомендую.

创建者 Oleg K

Dec 03, 2017

Курс скорее для тех кто уже в теме. Вот так с наскоку ничего не понять. Для себя нашел следующую схему: сначала смотрел теорию в курсе, потом лекции проф. Воронцова в ШАДе, там о подробно объясняет и становится все понятно :)

Практическая часть курса очень странная. Особо над ней не парились похоже :)

За Воронцова ставлю 5 баллов

创建者 Ilya S

Mar 30, 2020

Курс интересный и подробный, но не надейтесь, что вы сможете пройти его, слушая лекции по пути на учебу или работу. Чтобы получить хороший результат нужно сидеть с тетрадкой, конспектировать и разбирать и гуглить непонятные моменты. Практические задачи также требуют существенного времени и не решаться сходу, если вы новичок.

创建者 Осмоловский А

Aug 01, 2018

Отличный курс, спасибо авторам. Это действительно лишь введение в машинное обучение, но это отличный старт.

P.S. при проверке финального задания сокурсников, 5 из 6 оказались очевидным плагиатом (на решения, увы, можно наткнуться, даже если вы их специально не искали). Это грустно, не делайте так, если решите проходить курс.

创建者 Макарихин А В

Aug 20, 2018

Всем, добрый день!

Курс понравился, - рекомендую, как начинающим свой путь в Data Science, так и начинавшим. Теории на мой взгляд многовато, но учитывая широкий охват аудитории, наверно это скорее необходимость чем приходить авторов. Там где было скучно просто увеличивал скорость проигрывания видео +1,5 само-то! q(^_^)p

创建者 Марчевский В Д

Aug 01, 2017

Лаконичная, дельная подача, неплохой подбор практических задач на закрепление, весьма глубокая теория, один из лучших онлайн-курсов, что я проходил. Обратить на него внимание стоит тем, кто только начал интересоваться областью машинного обучения или хочет чуть лучше разобраться в математической основе подобных методов.

创建者 Идрисов Р Р

Oct 29, 2018

Всё очень понравилось, много практических задач, охватывающих различные ситуации в машинном обучении, где какой классификатор применять, какие бывают признаки, как с ними работать и мн. др. Перед курсом советую подтянуть линейную алгебру, чтобы не ставить постоянно на паузу лекцию и не гуглить. Теория в курсе мощная.

创建者 Leonid O

Dec 18, 2017

Очень хороший курс - даёт представление и дальнейший вектор развития для тех, кто хочет попробовать себя в области машинного обучения. Для меня, начинающего, он был тяжеловатым, особенно в плане математических формул; пришлось многое вспоминать с университета. Однако прохождение того стоит. Рекомендую всем.

创建者 Zmeyoff A

Dec 18, 2017

Отличный курс! Хорошо подойдет для тех, кто только начинает изучение этой области. Все предельно понятно, ничего лишнего. Возможно кто-то скажет о чрезмерной лаконичности излагаемого материала, но я считаю, что для понимания работы алгоритмов и примерных областей их применения это именно то, что нужно.

创建者 Matvey S

Jan 28, 2016

Нравится, вызывает интерес. Удачно совмещается простота подачи материала со строгостью математических определений.

Лекции 1 недели посмотрел за один присест. Надеюсь, не растеряю своего настроя.

В любом случае, видно, что авторы очень ответственно подошли к созданию курса. За это спасибо и 5*!

创建者 Захаров А Е

Sep 18, 2019

Полезный курс, дающий базовые представления об алгоритмах машинного обучения. Однако крайне желательно иметь базовый опыт работы с Питоном - неплохо было бы это добавить в описание курса. Я увидел Питон впервые, поэтому много времени ушло на его "изучение" вместо решения задач )))

创建者 Евтушенко И И

Nov 01, 2019

Курс порадовал. Хоть он и для начинающих, для глубокого понимания происходящего необходимо иметь неплохую базу по математике, а если её нет, то набрать и приступать к этому курсу. Также порадовали некоторые практические задания, многие из них действительно интересно делать

创建者 Pavel F

Mar 14, 2016

Отличный курс, но для не математиков теория воспринимается сложновато, зато есть возможность прикоснуться к "Машинному обучению" при выполнение практических заданий. Даже если теория большой частью пройдет мимо, в голове отложится общее представление о данном предмете.

创建者 Roman K

Sep 14, 2020

Курс дает сжатое, но при этом комплексное представление о задачах машинного обучения и методов их решения. Большое количество практических заданий, в том числе финальное задание на основе реальной задачи машинного обучения. Рекомендую всем, интересующимся этой темой.

创建者 Vlad V

Jul 31, 2018

Очень хороший курс, достаточно доступный, и в то же время авторы указывают на самые главные моменты существенные для понимания схем машинного обучения.

Отлично подобранны задания, и дают хорошую практическую поддержку к содержимому. Рекомендую всем пройти этот курс.

创建者 Egor Z

Dec 10, 2019

Обалдевший курс! Немного теории + практика работы с библиотеками Python sklearn, pandas, numpy. Спасибо авторам!

Хорошо ложиться, если вы уже имеете некоторый опыт в высшей математике (особенно что касается матриц и методов оптимизации) и программировании на python.

创建者 Кузнецов Н А

Jun 22, 2016

Очень понятный курс, не перебарщивающий с упрощением материала. Домашки делаются на питоне, как в жизни. Я бы добавил во вспомогательные материалы больше тонкостей по настройке методов в питоне и общий обзор методов в картинках для интуитивного понимания

创建者 Астраханцев Р Г

Sep 25, 2018

Несмотря на кажущуюся сложность требующейся математической базы, лекторы умело и доходчиво объясняли довольно сложные и витиеватые темы красочными и наглядными иллюстрациями, а так же приводили довольно интересные и запоминающиеся аналогии.

创建者 Sergey M

Feb 09, 2016

Отличный курс! Особенно порекомендовал бы его как введение в библиотеку scikit-learn. Дается много полезный практических советов и рассказывается об интеренсных особенностях различных алгоритмов обучения. Спасибо, курс очень пригодился!