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

4.2

звезд

Оценки: 5

Анастасия Рысьмятова и еще 1 преподаватель

от партнера

Включено в рамках

Неограниченный доступ к курсам, проектам с консультациями, специализациям и профессиональным сертификациям (всего 3,000+).

Подробнее…

Специализация Машинное обучение: от статистики до нейросетейНИУ ВШЭ

Об этом курсе

Недавно просмотрено: 22,939

Сейчас термины “машинное обучение” или даже “искусственный интеллект” у всех на слуху. Местами это преувеличение и хайп, но у машинного обучения действительно есть много полезных и важных применений. Вы сталкиваетесь с этим каждый день: когда вы ищете что-то в интернете, поисковик предлагает вам странички на основе сложного сопоставления текстов и анализа ваших данных; когда вы жалуетесь в службу поддержки какого-нибудь сервиса или магазина, с большой вероятностью вам отвечает бот; если у вас умные часы, то они, вероятно, используют методы машинного обучения, чтобы понимать, когда вы сидите, стоите или бегаете.
В этом курсе вы можете разобраться с принципами работы методов машинного обучения. Речь пойдёт об обучении с учителем — областью, которая изучена лучше всего и методы из которой наиболее часто используются на практике. Мы обсудим метрические и линейные методы, и на их примере разберём все ключевые концепции: обобщающую способность и переобучение, градиентные методы обучения, измерение качества модели и специализированные метрики качества, подготовку данных для моделей. Мы будем показывать, как это всё делается в Python с помощью его библиотек.

По итогам курса вы поймёте, как устроены все ключевые моменты в машинном обучении, а также получите хороший практический опыт подготовки данных, их визуализации, построения и анализа моделей.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 1 из 5 в программе

Специализация Машинное обучение: от статистики до нейросетей

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Средний уровень

Знание Python и основ высшей математики (матрицы и операции с ними, производные и градиенты)

Прибл. 48 часов на выполнение

Русский

Субтитры: Русский

Приобретаемые навыки

python for data analysisData AnalysisMachine Learning

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 1 из 5 в программе

Специализация Машинное обучение: от статистики до нейросетей

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Средний уровень

Знание Python и основ высшей математики (матрицы и операции с ними, производные и градиенты)

Прибл. 48 часов на выполнение

Русский

Субтитры: Русский

Преподаватели

Анастасия Рысьмятова

Evgeny Sokolov

Senior lecturer at HSE

96,106 учащихся

10 курсов

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

6 ч. на завершение

Основные понятия и задачи в машинном обучении

6 ч. на завершение

11 видео ((всего 96 мин.)), 1 материал для самостоятельного изучения, 4 тестов

11 видео

Знакомство с курсом4мин

Что такое машинное обучение?16мин

Основные определения13мин

Постановки задач10мин

Виды признаков4мин

Загрузка данных, базовый анализ6мин

Работа с таблицей на примере удаления столбца9мин

Пропущенные значения, описание данных10мин

Значения признаков, выбор ячеек с помощью условий5мин

Извлечение новых признаков, распределение значений, среднее10мин

Группировка и агрегирование5мин

1 материал для самостоятельного изучения

Дополнительные лекции10мин

3 практических упражнения

Задания на понимание30мин

Задание на понимание30мин

Тест по основным понятиям в машинном обучении30мин

Неделя

Неделя 2

8 ч. на завершение

Метод k ближайших соседей

8 ч. на завершение

9 видео ((всего 93 мин.))

9 видео

Метод k ближайших соседей9мин

Сравнение объектов и метрики15мин

Измерение ошибки модели9мин

Оценка обобщающей способности10мин

kNN с весами7мин

kNN для регрессии9мин

Знакомство с библиотекой sklearn9мин

Поиск оптимальных гиперпараметров8мин

Классификация методом ближайших соседей12мин

5 практических упражнений

Задания на понимание30мин

Тест по методу k ближайших соседей30мин

Неделя

Неделя 3

7 ч. на завершение

Линейная регрессия

7 ч. на завершение

12 видео ((всего 127 мин.))

12 видео

Модель линейной регрессии8мин

Применения линейной регрессии10мин

Линейная регрессия в векторном виде11мин

Обучение линейной регрессии11мин

Переобучение и регуляризация 13мин

Почему L1-регуляризация отбирает признаки?9мин

Интерпретация линейных моделей6мин

Библиотека numpy13мин

Линейная регрессия11мин

Визуализация11мин

Запуск алгоритма14мин

Регуляризация6мин

6 практических упражнений

Задание на понимание5мин

Задания на понимание3мин

Тест по линейной регрессии30мин

Неделя

Неделя 4

8 ч. на завершение

Обучение моделей градиентными методами

8 ч. на завершение

13 видео ((всего 129 мин.))

13 видео

Градиент и его свойства6мин

Градиентный спуск7мин

Градиентный спуск: продолжение9мин

Стохастический градиентный спуск7мин

Продвинутые методы градиентного спуска15мин

Функции потерь в задачах регрессии9мин

Вывод градиента для MSE14мин

Векторное дифференцирование12мин

Регрессия в матричной форме11мин

Градиентный спуск в матричной форме5мин

Реализация градиентного спуска16мин

Настройка градиентного спуска7мин

Реализация градиентного спуска в матричной форме7мин

4 практических упражнения

Задания на понимание30мин

Тест по градиентному спуску30мин

Неделя

Неделя 5

7 ч. на завершение

Линейная классификация: общие принципы

7 ч. на завершение

10 видео ((всего 112 мин.))

10 видео

Линейный классификатор12мин

Обучение линейных классификаторов12мин

Метрики качества классификации16мин

Совмещение точности и полноты7мин

Метрики качества ранжирования9мин

Площадь под ROC-кривой10мин

Линейная классификация9мин

Обучение линейного классификатора с помощью градиентного спуска11мин

Метрики качества классификации11мин

Вероятности классов, AUC-PRC и AUC-ROC11мин

5 практических упражнений

Задания на понимание3мин

Задания на понимание 3мин

Тест по линейной классификации30мин

Неделя

Неделя 6

11 ч. на завершение

Линейная классификация: методы

11 ч. на завершение

13 видео ((всего 141 мин.))

13 видео

Логистическая регрессия: простое объяснение11мин

Логистическая регрессия: простое объяснение, часть 210мин

Логистическая регрессия: сложное объяснение13мин

Метод опорных векторов15мин

Калибровка вероятностей9мин

Многоклассовая классификация8мин

Данные Титаника9мин

Логистическая регрессия7мин

Предсказания логистической регрессии10мин

Классификация текстов: предобработка6мин

Мешок слов и TF-IDF10мин

Многоклассовая классификация6мин

Интервью20мин

6 практических упражнений

Задания на понимание30мин

Тест по методам линейной классификации 30мин

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.

Основы машинного обучения

Об этом курсе

Приобретаемые навыки