이 강좌에 대하여

최근 조회 152,326

학습자 경력 결과

32%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

48%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

42%

가 급여 인상 또는 승진 성취
공유 가능한 수료증
완료 시 수료증 획득
100% 온라인
지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.
다음 특화 과정의 6개 강좌 중 2번째 강좌:
유동적 마감일
일정에 따라 마감일을 재설정합니다.
중급 단계
완료하는 데 약 58시간 필요
러시아어

귀하가 습득할 기술

Random ForestPython ProgrammingMachine LearningSupervised Learning

학습자 경력 결과

32%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

48%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

42%

가 급여 인상 또는 승진 성취
공유 가능한 수료증
완료 시 수료증 획득
100% 온라인
지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.
다음 특화 과정의 6개 강좌 중 2번째 강좌:
유동적 마감일
일정에 따라 마감일을 재설정합니다.
중급 단계
완료하는 데 약 58시간 필요
러시아어

제공자:

Placeholder

모스크바 물리 기술원

Placeholder

Yandex

Placeholder

E-Learning Development Fund

강의 계획 - 이 강좌에서 배울 내용

콘텐츠 평가Thumbs Up88%(36,222개의 평가)Info
1

1

완료하는 데 10시간 필요

Машинное обучение и линейные модели

완료하는 데 10시간 필요
13개 동영상 (총 82분), 8 개의 읽기 자료, 8 개의 테스트
13개의 동영상
Как устроена специализация, и зачем ее проходить3m
МФТИ1m
Знакомство с машинным обучением11m
Обучение на размеченных данных5m
Обучение без учителя5m
Признаки в машинном обучении8m
Линейные модели в задачах регрессии9m
Обучение линейной регрессии6m
Градиентный спуск для линейной регрессии7m
Стохастический градиентный спуск4m
Линейная классификация6m
Функции потерь в задачах классификации6m
8개의 읽기 자료
Формат специализации и получение сертификата10m
Немного о Yandex10m
МФТИ10m
Forum&Chat10m
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
6개 연습문제
Основные термины в машинном обучении30m
Типы задач в машинном обучении30m
Машинное обучение: задачи и признаки30m
Линейная регрессия30m
Градиентный спуск30m
Линейные модели30m
2

2

완료하는 데 11시간 필요

Борьба с переобучением и оценивание качества

완료하는 데 11시간 필요
14개 동영상 (총 126분), 9 개의 읽기 자료, 8 개의 테스트
14개의 동영상
Регуляризация7m
Оценивание качества алгоритмов7m
Сравнение алгоритмов и выбор гиперпараметров4m
Метрики качества в задачах регрессии10m
Метрики качества классификации4m
Точность и полнота8m
Объединение точности и полноты5m
Качество оценок принадлежности классу12m
Встроенные датасеты. Sklearn.datasets15m
Кросс-валидация. Sklearn.cross_validation9m
Линейные модели. Sklearn.linear_model. Классификация10m
Линейные модели. Sklearn.linear_model. Регрессия7m
Метрики качества. Sklearn.metrics13m
9개의 읽기 자료
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
Встроенные датасеты. Sklearn.datasets (ipython notebook)10m
Кросс-валидация. Sklearn.cross_validation (ipython notebook)10m
Линейные модели. Sklearn.linear_model. Классификация (ipython notebook)10m
Линейные модели. Sklearn.linear_model. Регрессия (ipython notebook)10m
Метрики качества. Sklearn.metrics (ipython notebook)10m
6개 연습문제
Проблема переобучения30m
Проблема переобучения и борьба с ней30m
Как измерить качество алгоритма?30m
Метрики качества30m
Встроенные датасеты и кросс-валидация30m
Введение в scikit-learn30m
3

3

완료하는 데 9시간 필요

Линейные модели: классификация и практические аспекты

완료하는 데 9시간 필요
14개 동영상 (총 97분), 7 개의 읽기 자료, 7 개의 테스트
14개의 동영상
Метод максимального правдоподобия4m
Регрессия как максимизация правдоподобия2m
Регрессия как оценка среднего4m
Регуляризация8m
Задача оценивания вероятностей и логистическая регрессия8m
Масштабирование признаков6m
Спрямляющие пространства5m
Работа с категориальными признаками4m
Несбалансированные данные5m
Многоклассовая классификация4m
Подбор параметров по сетке. Sklearn.grid_search9m
Задача: bike sharing demand15m
Задача: bike sharing demand. Продолжение13m
7개의 읽기 자료
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
Подбор параметров по сетке. Sklearn.grid_search (ipython notebook)10m
Задача Bike Sharing Demand (ipython notebook)10m
Задача Bike Sharing Demand. Продолжение (ipython notebook)10m
6개 연습문제
Метод максимального правдоподобия30m
Линейные модели: статистический взгляд30m
Линейные модели: подготовка признаков30m
Линейные модели: практические аспекты30m
Подбор параметров по сетке30m
Анализ данных в scikit-learn30m
4

4

완료하는 데 13시간 필요

Решающие деревья и композиции алгоритмов

완료하는 데 13시간 필요
17개 동영상 (총 114분), 10 개의 읽기 자료, 8 개의 테스트
17개의 동영상
Обучение решающих деревьев6m
Критерии информативности7m
Критерии останова и стрижка деревьев4m
Решающие деревья и категориальные признаки8m
Решающие деревья в sklearn10m
Композиции деревьев6m
Смещение и разброс9m
Случайные леса6m
Трюки со случайными лесами4m
Случайные леса в sklearn7m
Композиции простых алгоритмов5m
Градиентный бустинг7m
Борьба с переобучением в градиентном бустинге6m
Градиентный бустинг для регрессии и классификации4m
Градиентный бустинг над решающими деревьями5m
Градиентный бустинг в XGBoost5m
10개의 읽기 자료
Решающие деревья в sklearn (ipython notebook)10m
Слайды к лекциям10m
Конспект10m
Случайные леса в sklearn (ipython notebook)10m
Слайды к лекциям10m
Конспект10m
XGBoost10m
Градиентный бустинг в XGBoost (ipython notebook)10m
Слайды к лекциям10m
Конспект10m
6개 연습문제
Построение решающих деревьев30m
Решающие деревья30m
Бэггинг30m
Композиции и случайные леса30m
Обучение композиций и градиентный бустинг30m
Градиентный бустинг: обучение и практические аспекты30m

검토

ОБУЧЕНИЕ НА РАЗМЕЧЕННЫХ ДАННЫХ의 최상위 리뷰

모든 리뷰 보기

Машинное обучение и анализ данных 특화 과정 정보

Машинное обучение и анализ данных

자주 묻는 질문

궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.