이 강좌에 대하여

최근 조회 228,958

학습자 경력 결과

47%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

60%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

40%

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 50시간 필요

러시아어

자막: 러시아어

귀하가 습득할 기술

Random ForestPython ProgrammingMachine LearningSupervised Learning

학습자 경력 결과

47%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

60%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

40%

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 50시간 필요

러시아어

자막: 러시아어

제공자:

모스크바 물리 기술원 로고

모스크바 물리 기술원

Yandex 로고

Yandex

E-Learning Development Fund 로고

E-Learning Development Fund

강의 계획 - 이 강좌에서 배울 내용

콘텐츠 평가Thumbs Up88%(33,597개의 평가)Info
1

1

완료하는 데 9시간 필요

Машинное обучение и линейные модели

완료하는 데 9시간 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 обучении6m
Типы задач в машинном обучении6m
Машинное обучение: задачи и признаки12m
Линейная регрессия4m
Градиентный спуск4m
Линейные модели8m
2

2

완료하는 데 9시간 필요

Борьба с переобучением и оценивание качества

완료하는 데 9시간 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 переобучения6m
Проблема переобучения и борьба с ней10m
Как измерить качество алгоритма?6m
Метрики качества10m
Встроенные датасеты и кросс-валидация8m
Введение в scikit-learn10m
3

3

완료하는 데 7시간 필요

Линейные модели: классификация и практические аспекты

완료하는 데 7시간 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 правдоподобия6m
Линейные модели: статистический взгляд14m
Линейные модели: подготовка признаков6m
Линейные модели: практические аспекты6m
Подбор параметров по сетке6m
Анализ данных в scikit-learn12m
4

4

완료하는 데 10시간 필요

Решающие деревья и композиции алгоритмов

완료하는 데 10시간 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 деревьев8m
Решающие деревья14m
Бэггинг6m
Композиции и случайные леса8m
Обучение композиций и градиентный бустинг4m
Градиентный бустинг: обучение и практические аспекты8m

Машинное обучение и анализ данных 특화 과정 정보

Мы покажем, как проходит полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Вы научитесь пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач. В рамках специализации вы освоите основные темы, необходимые в работе с большим массивом данных, в т.ч. современные методы классификации и регрессии, поиск структуры в данных, проведение экспериментов, построение выводов, базовая фундаментальная математика, основы программирования на Python. Мы разберём, как построить рекомендательную систему, оценить эмоциональную окраску текста, спрогнозировать спрос на товар, оценить вероятность клика по рекламе и т.д. В финале вам потребуется выполнить проект собственной системы, решающей любую актуальную для бизнеса задачу. Результатом будет наглядная работающая модель, которую вы сможете использовать в вашей повседневной работе или продемонстрировать на собеседовании. Все, прошедшие специализацию, могут принять участие в Программе трудоустройства. Если вы заинтересованы в новых проектах, новых перспективах и возможностях - пройдите обучение по Специализации и подайте заявку....
Машинное обучение и анализ данных

자주 묻는 질문

  • 강좌에 등록하면 바로 모든 비디오, 테스트 및 프로그래밍 과제(해당하는 경우)에 접근할 수 있습니다. 상호 첨삭 과제는 이 세션이 시작된 경우에만 제출하고 검토할 수 있습니다. 강좌를 구매하지 않고 살펴보기만 하면 특정 과제에 접근하지 못할 수 있습니다.

  • 강좌를 등록하면 전문 분야의 모든 강좌에 접근할 수 있고 강좌를 완료하면 수료증을 취득할 수 있습니다. 전자 수료증이 성취도 페이지에 추가되며 해당 페이지에서 수료증을 인쇄하거나 LinkedIn 프로필에 수료증을 추가할 수 있습니다. 강좌 내용만 읽고 살펴보려면 해당 강좌를 무료로 청강할 수 있습니다.

  • 구독하는 경우, 취소해도 요금이 청구되지 않는 7일간의 무료 평가판을 이용할 수 있습니다. 해당 기간이 지난 후에는 환불이 되지 않지만, 언제든 구독을 취소할 수 있습니다. 전체 환불 정책 보기.

  • 예, Coursera에서는 수업료를 낼 수 없는 학습자를 위해 재정 지원을 제공합니다. 왼쪽에 있는 등록 버튼 아래 재정 지원 링크를 클릭하면 지원할 수 있습니다. 신청서를 작성하라는 메시지가 표시되며 승인되면 알림을 받습니다. 성취 프로젝트를 포함하여 전문 분야의 각 강좌에서 이 단계를 완료해야 합니다. 자세히 알아보기.

궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.