Этот курс входит в специализацию ''Специализация Машинное обучение: от статистики до нейросетей'

Ульянкин Филипп Валерьевич

от партнера

Специализация Машинное обучение: от статистики до нейросетейНИУ ВШЭ

Об этом курсе

Недавно просмотрено: 4,231

В этом курсе мы поговорим про статистические методы анализа данных. Мы подробно обсудим, как статистика связана с машинным обучением и какое место она занимает среди наук о данных. Поговорим о том, что есть два великих вопроса: "Как устроен мир?" и "Что будет дальше?". В зависимости от того, на какой вопрос мы ищем ответ, мы должны использовать разные методы. 
Мы обсудим метод максимального правдоподобия, поговорим про статистические свойства различных функций потерь. Поговорим о линейной регрессии и временных рядах.  В конце курса мы обсудим байесовский подход к статистике и выясним, чем он отличается от частотного.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 4 из 5 в программе

Специализация Машинное обучение: от статистики до нейросетей

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Средний уровень

Базовые навыки программирования на языке Python. Математика для анализа данных (теория вероятностей, производные, оптимизация, интегралы, матрицы)

Прибл. 22 часа на выполнение

Русский

Субтитры: Русский

Чему вы научитесь

Работать с временными рядами и простейшими байесовскими моделями

Использовать метод максимального правдоподобия для оценки параметров в любых моделях

Приобретаемые навыки

Bayesian InferencePython ProgrammingTime SeriesData AnalysisStatistics

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 4 из 5 в программе

Специализация Машинное обучение: от статистики до нейросетей

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Средний уровень

Прибл. 22 часа на выполнение

Русский

Субтитры: Русский

Преподаватели

Ульянкин Филипп Валерьевич

Преподаватель

Факультет компьютерных наук

846 учащихся

3 курса

от партнера

НИУ ВШЭ

HSE University is one of the top research universities in Russia. Established in 1992 to promote new research and teaching in economics and related disciplines, it now offers programs at all levels of university education across an extraordinary range of fields of study including business, sociology, cultural studies, philosophy, political science, international relations, law, Asian studies, media and communicamathematics, engineering, and more.

Программа курса: что вы изучите

Неделя

Неделя 1

5 ч. на завершение

Метод максимального правдоподобия

На этой неделе мы обсудим главную рабочую лошадку науки о данных - метод максимального правдоподобия.

5 ч. на завершение

14 видео ((всего 138 мин.)), 1 материал для самостоятельного изучения, 5 тестов

14 видео

Дорожная карта курса3мин

Смысл метода максимального правдоподобия10мин

ММП и распределение Бернулли5мин

ММП и нормальное распределение6мин

Информация Фишера и свойства ММП-оценок14мин

Распределение ММП-оценок для нормальной случайной величины10мин

[доска] Таня, лампочки и экспоненциальное распределение11мин

[доска] Нерегулярный случай9мин

Тест отношения правдоподобий7мин

[доска] Тест отношения правдоподобий10мин

Дельта-метод8мин

[доска] Дельта-метод13мин

ММП в python для разных распределений14мин

ММП в python для пуасоновской регрессии12мин

1 материал для самостоятельного изучения

Презентация5мин

3 практических упражнения

ММП своими руками20мин

Правдоподобный тест20мин

Критерий отношения правдоподобий и дельта-метод20мин

Неделя

Неделя 2

5 ч. на завершение

Статистический взгляд на линейные модели: прогнозы и интерпретация

На этой неделе мы посмотрим на линейную регрессию с точки зрения статистики. Узнаем, что почти любая функция потерь может быть получена из метода максимального правдоподобия. А также поговорим про то, как устроен мир и что будет дальше.

5 ч. на завершение

17 видео ((всего 159 мин.)), 2 материалов для самостоятельного изучения, 5 тестов

17 видео

План на текущую неделю4мин

Линейная регрессия и метод максимального правдоподобия6мин

[доска] MSE и метод максимального правдоподобия7мин

[доска] MAE и метод максимального правдоподобия4мин

[доска] logloss и метод максимального правдоподобия7мин

[доска] Функция потерь для распределения Пуассона6мин

[доска]Что прогнозирует модель, когда мы используем MSE и MAE11мин

[доска] Что прогнозирует модель, когда мы используем logloss7мин

Когда важна интерпретация10мин

Линейная регрессия: статистический подход11мин

Линейная регрессия: проверка гипотез11мин

Краткий обзор проблем, возникающих при оценке регрессии10мин

Парная регрессия в python12мин

Множественная регрессия в python15мин

Разложение на смещение и разброс8мин

[доска] Оценка и распределение коэффициента в парной регрессии9мин

[доска] Разложение на смещение и разброс в парной регрессии13мин

2 материала для самостоятельного изучения

Конспект о функциях потерь5мин

Презентация5мин

4 практических упражнения

Свойства функций потерь20мин

Когда важна интерпретация10мин

Статистический взгляд на линейную регрессию20мин

Разложение на смещение и разброс 30мин

Неделя

Неделя 3

4 ч. на завершение

Временные ряды - начало

На этой неделе мы начнём знакомиться с моделями, которые используются для временных рядов. Мы поговорим про временной ряд как структуру данных. Мы обсудим ETS и начнём говорить про SARIMA.

4 ч. на завершение

12 видео ((всего 127 мин.)), 1 материал для самостоятельного изучения, 6 тестов

12 видео

Задачи, связанные с временными рядами5мин

Временной ряд как структура данных9мин

[доска] Наивная модель14мин

Построение ETS(ANN) модели13мин

Расширение ETS(ANN) - модели10мин

Разложение ряда на составляющие6мин

[доска] Стационарность MA и AR-моделей11мин

[доска] Оператор запаздывания13мин

Процесс скользящего среднего MA(q)10мин

Процесс авторегрессии AR(p)8мин

Временные ряды в python15мин

Кросс-валидация для временных рядов в python8мин

1 материал для самостоятельного изучения

Презентация5мин

5 практических упражнений

Временной ряд как структура данных15мин

Характеристики временного ряда15мин

ETS - модели15мин

Стационарность MA-процесса15мин

ARMA и ETS10мин

Неделя

Неделя 4

4 ч. на завершение

Временные ряды - продолжение

На этой неделе мы закончим строительство SARIMA. После мы обсудим то, как ещё можно подойти к моделированию временных рядов, а также поговорим про ряд других задач, отличающихся от прогнозирования.

4 ч. на завершение

10 видео ((всего 107 мин.)), 1 материал для самостоятельного изучения, 3 тестов

10 видео

SARMA-модель10мин

SARIMA-модель, остационаривание14мин

Гипотезы о стационарности12мин

Проверка стационарности в python9мин

Auto-SARIMA модель в python 9мин

TBATS, тригонометрическая сезонность14мин

Векторные модели временных рядов11мин

Кластеризация временных рядов6мин

Классификация на основе временных рядов4мин

Делаем признаки на основе рядов в python13мин

1 материал для самостоятельного изучения

Презентация5мин

2 практических упражнения

ARIMA-модель10мин

Модели временных рядов30мин

Специализация Машинное обучение: от статистики до нейросетей: общие сведения

Современные науки о данных — это огромная область, которая включает себя много методов, технологий и трюков. Всё это быстро развивается, постоянно возникают новые направления и результаты.

На нашей специализации вы познакомитесь со всеми ключевыми разделами машинного обучения и анализа данных, освоите самые важные концепции и получите базу, с которой сможете углубляться дальше в любом направлении — будь то рекомендательные системы, машинное зрение или обучение с подкреплением. Мы начнём с изучения инструментария Python для анализа данных: разберёмся, как с его помощью можно собирать данные из разнообразных источников, искать и устранять в них проблемы, делать первичную аналитику. В следующих курсах мы познакомимся с классическим машинным обучением (и дойдём до композиций моделей, которые являются стандартом для работы с табличными данными) и статистическими методами и их приложениями для анализа моделей, работы с временными данными и A/B-тестирования. Наконец, мы изучим ключевые разделы глубинного обучения: узнаем, как обучаются современные нейронные сети и как именно они позволяют добиваться мощных результатов при анализе изображений и текстов.

Машинное обучение: от статистики до нейросетей

Часто задаваемые вопросы

Когда я получу доступ к лекциям и заданиям?
Доступ к лекциям и заданиям предоставляется в зависимости от типа регистрации. Если вы проходите курс в режиме слушателя, то получите бесплатный доступ к большинству материалов курса. Чтобы открыть оцениваемые задания и возможность получить сертификат, необходимо будет приобрести прохождение с сертификатом. Это можно сделать во время прохождения в режиме слушателя или после него. Если вы не видите варианта 'Режим слушателя'.
Курс может не предлагаться в режиме слушателя. Попробуйте бесплатную пробную версию или подайте заявку на финансовую помощь.
Курс предлагаться в режиме 'Полный курс, без сертификата'. В нем можно просматривать все материалы, выполнять обязательные задания и получить итоговую оценку. Приобрести дополнительно прохождение с сертификатом в таком случае нельзя.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Is financial aid available?
Да, Coursera предоставляет финансовую помощь учащимся, которые не могут оплатить обучение. Чтобы подать заявление, перейдите по ссылке "Финансовая помощь" слева под кнопкой "Зарегистрироваться". Заполните форму заявления. Если его примут, вы получите уведомление. Обратите внимание: этот шаг необходимо выполнить для каждого курса специализации, в том числе для дипломного проекта. Подробнее

Остались вопросы? Посетите Центр поддержки учащихся.

Статистические методы анализа данных