Chevron Left
Введение в машинное обучение(으)로 돌아가기

국립 연구 고등 경제 대학의 Введение в машинное обучение 학습자 리뷰 및 피드백

4.6
별점
2,299개의 평가
466개의 리뷰

강좌 소개

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...

최상위 리뷰

AL
2018년 9월 24일

Понравилось отсутствие "разжевывания" материала, короткие и информативные видео-лекции, довольно интересные задания. Курс дал начальное понимание основных принципов и направлений в ML.

DD
2016년 2월 9일

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.

필터링 기준:

Введение в машинное обучение의 450개 리뷰 중 376~400

교육 기관: Andrey Z

2019년 7월 17일

Some lessons are too math-detailed. It would be better to introduce more realistic examples to explain ideas behind

교육 기관: Sergey B

2016년 3월 10일

Курс хороший, но присутствует дисбаланс в теории и практике. Но в целом, как введение, очень даже хорошо.

교육 기관: Leonid G

2016년 10월 15일

Отличный курс.

Не поставил 5, потому что частенько дается теория не подкрепленная объяснениями.

교육 기관: Васильченко Ю В

2020년 5월 18일

Курс неплохой, но информации в лекциях зачастую недостаточно для выполнения практических работ

교육 기관: Ted K

2017년 8월 29일

Теория тяжела без высшего математического/опыта в индустрии, но практические задания хорошие.

교육 기관: Alexey K

2016년 3월 8일

Too complex lectures for novices, too easy assignments for experienced python programmers.

교육 기관: Stanislav Z

2018년 1월 6일

Хороший курс, дает начальное представление о предмете и побуждает двигаться дальше :)

교육 기관: Anton V

2016년 2월 22일

Thank you for this course. It helps me learn a lot of interesting about Data Science.

교육 기관: Novoselov D

2017년 7월 10일

Целевая аудитория не определена. Курс плавает по уровню от лекции к лекции.

교육 기관: Ваня М

2017년 9월 4일

Все круто, но заданий по нейронкам хотя бы на базовом уровне не хватает

교육 기관: Andrey M

2016년 4월 21일

Спасибо! за прекрасно проведенное время и знания которые я получил =)

교육 기관: Ольга Э

2018년 9월 13일

Увы, у меня нет математической основы для прохождения курса

교육 기관: Konstantin S

2017년 7월 31일

Несомненно полезный курс для новичков в машинном обучении.

교육 기관: Nikita C

2017년 12월 10일

Okay-ish курс для начинающих

Но в целом, мне понравилось

교육 기관: Гончаров А С

2016년 1월 30일

К сожалению пока не хватает практических примеров.

교육 기관: Philipp K

2016년 3월 8일

Хороший курс, но мало связи теории и практики.

교육 기관: Totyshev Y I

2018년 5월 26일

Сложно для новичка и очень много сухой теории

교육 기관: Evgeniy P

2016년 3월 21일

Not bad for introduction in Machine Learning

교육 기관: Mark O

2017년 7월 26일

Теории невероятно больше чем практического

교육 기관: Алексин А А

2018년 1월 23일

спасибо за такой обучающий вводный курс)

교육 기관: Oleg

2016년 11월 10일

Explanations are not always transparent.

교육 기관: Leonid B

2016년 9월 11일

Вполне пристойное введение в предмет.

교육 기관: Vladimir M

2016년 12월 18일

Теория немного оторвана от практики

교육 기관: Шубин Н Ю

2018년 9월 3일

Спасибо! Было познавательно.

교육 기관: Anton R

2016년 1월 30일

Порог входа очень большой.