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
2,237 个评分
448 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:

101 - Введение в машинное обучение 的 125 个评论(共 432 个)

创建者 Агеев С

Aug 29, 2017

Весьма информативный курс, сочетающий в себе как теоретические, так и практические аспекты предмета. Рекомендую как одну из удачных точек входа в тематику машинного обучения.

创建者 denisbalyko

Feb 10, 2016

Спасибо за курс. Хороший материал. Отличные задания.

Есть желание пройти курс "Практическое машинное обучение" с большим количеством примеров и практик от авторов этого курса.

创建者 Kuznetsov A S

Jun 10, 2018

Добротный курс, который дает набор минимальных знаний по теме. Сделано качественно, однако, есть что поправить в плане структурной целостности и логичности построения курса.

创建者 Alexey K

Feb 21, 2018

Спасибо за увлекательное приключение. Вся информация по полочкам. После окончания курса наметились несколько областей, где можно начинать пробовать приментять на практике.

创建者 Roman M

Mar 31, 2016

Огромное спасибо за этот курс! Для меня этот курс заполнил пропасть между теоретическими вопросами и применением их на практике (например, участвуя в конкурсах на kaggle).

创建者 Pavel

May 22, 2020

Отличный курс! Если некоторые моменты непонятны более подробные ответы можно найти в этих лекциях https://www.youtube.com/playlist?list=PLJOzdkh8T5kp99tGTEFjH_b9zqEQiiBtC

创建者 Павел М

Jun 01, 2020

Курс очень понравился, хорошие лекторы. Хотелось бы в рамках курса попробовать написать самому какой-нибудь метод, но ничего. Еще не хватило заданий по нейронным сетям.

创建者 Поликанин А С

Jun 14, 2020

Если совсем незнакомы с Python, то будет тяжко. Курс дал основы, чтобы двигаться дальше в этом направлении, надо подтягивать линейную алгебру и теорию вероятностей.

创建者 Vladyslav

Jun 23, 2020

Отличный курс! Много теории и практики. Но иногда казалось слишком большой разрыв между ними. Поэтому не всегда получалось связывать задания с пройденной теорией.

创建者 Iryna L

Jan 21, 2017

Спасибо большое за то, что вы делаете. Прекрасный курс с интересными задачами, по которым не тольео можно научиться, но и узнать несто новое по смежным областям.

创建者 Елохин А А

Feb 22, 2019

Отличный курс, действительно почувствовал, что узнал что-то новое, появилась некоторая система в голове касательно методов машинного обучения. Спасибо авторам!

创建者 Прошян Г

Sep 04, 2019

Отличный курс, но не лучший выбор курса, чтобы сделать первый шаг в ML. Курс предполагает наличие знаний по матану, материал не разжеван, нужно много гуглить

创建者 Ольга К

Nov 25, 2019

Спасибо преподавателям, коротко, без воды, очень полезные тесты и практические занятия. Но главное - мотивирует на дальнейшее обучение в данном направлении.

创建者 Denis Z

Dec 05, 2017

В конце курса понял, что хочу стать настоящим мужчиной, как Воронцов Константин Вячеславович. Для меня курс стал входной дверью, т.к. курс от яникса дикий.

创建者 Коноваленко И В

May 08, 2019

Курс очень увлекательный, он позволил мне вникнуть в предметную область, рассмотреть основные особенности алгоритмов и установить вектор будущего развития

创建者 Andrey S

Apr 09, 2018

Курс понравился. Очень хороший баланс между теорией и практикой, никакой воды в рассуждениях, всё по делу. И практические задания интересные. Рекомендую

创建者 Nikita B

Jul 27, 2017

Очень хороший базовый курс. Дает общее представление о принципах и методах машинного обучения, навыки работы с популярной библиотекой scikit-learn.

创建者 Александр З

Aug 10, 2017

Курс получился достаточно насыщенным в плане обзора различных методов, но требует хорошего понимания математики, чтобы усвоить теоретическую часть.

创建者 Maksim

Feb 07, 2016

Отличный курс. Задания впечатляют - все хорошо продумано и дает возможность разобраться как в теории, так и с пакетом (с коим дела раньше не имел).

创建者 Toy J

May 31, 2020

Мой первый курс на Courseara, рад что сразу так очень повезло, лекторы классные, уроки классные, появилось желание поступить в ВШЭ. Успехов Вам!

创建者 Лопатин В А

Sep 22, 2017

Отличный курс для знакомства с темой машинного обучения и получения начального опыта программирования на Python с использованием scikit-learn.

创建者 Даниил Ж

May 04, 2020

Мне очень понравилось! Было много практики, много программирования, а из теории были только максимально важные для решения практики термины.

创建者 Theodor B

Feb 18, 2018

Отличный курс - было очень приятно учиться. Сильно мешало незнание python (начал учить по ходу). Последние лекции были особенно интересны.

创建者 Dmitriy S

Dec 21, 2017

Неплохой курс на русском языке. Объясняет базовые подходы, проблемы и их решения. Можно пройти курс, даже если не разу не писал на Питоне.

创建者 Михаил Ю Г

Oct 14, 2019

Формулирование тестовых заданий происходит в очень расплывчатой манере. Мне кажется можно их усложнить, но формулировать все же по чётче.