Этот курс входит в специализацию ''Специализация Промышленное машинное обучение'

Саркисян Вероника Вагановна и еще 4 преподавателя

от партнера

Специализация Промышленное машинное обучениеНациональный исследовательский университет "Высшая школа экономики"

Об этом курсе

Недавно просмотрено: 1,960

И исследователи в лабораториях, и инженеры в больших корпорациях бьются над одной задачей — получить наиболее точную предсказательную модель по имеющимся данным. Эту задачу можно решить, используя современные методы из области машинного обучения. К сожалению, когда данных становится слишком много, классические алгоритмы становятся неэффективными или перестают работать вовсе.
В этом курсе мы рассмотрим основные проблемы, которые возникают при попытке обучить машину на Больших Данных, и методы их решения. Рассмотрим подходы для эффективной разметки данных, модификации в классических алгоритмах, которые позволяют им эффективно работать, а также изучим наиболее популярные инструменты для решения задач интеллектуального анализа данных.

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 2 из 3 в программе

Специализация Промышленное машинное обучение

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Средний уровень

Основы программирования на Python и SQL,

Основы Unix,

Основы высшей математики,

Основы компьютерных сетей,

Базовые знания о машинном обучении.

Прибл. 48 часов на выполнение

Русский

Субтитры: Русский

Чему вы научитесь

Организация процесса разметки собранных данных

Базовые приемы для масштабирования моделей машинного обучения

Специальные приемы для построения рекомендательных моделей и моделей обработки естественного языка

Подходы для масштабирования нейронных сетей

Приобретаемые навыки

Data LabelingMachine LearningPython ProgrammingBig DataScaling Computations

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Курс 2 из 3 в программе

Специализация Промышленное машинное обучение

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Средний уровень

Основы программирования на Python и SQL,

Основы Unix,

Основы высшей математики,

Основы компьютерных сетей,

Базовые знания о машинном обучении.

Прибл. 48 часов на выполнение

Русский

Субтитры: Русский

Преподаватели

от партнера

Национальный исследовательский университет "Высшая школа экономики"

National Research University - Higher School of Economics (HSE) 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

10 ч. на завершение

Подготовка данных к обучению

Сегодня машинное обучение в основном хорошо работает, когда у нас есть большие массивы размеченных данных. На этой неделе мы разберемся, какие форматы данных и разметки существуют и как эту разметку можно собирать.

10 ч. на завершение

12 видео ((всего 66 мин.)), 1 материал для самостоятельного изучения, 11 тестов

12 видео

Проморолик1мин

Вводное занятие2мин

Форматы хранения табличных данных3мин

Практическое занятие: Обработка сырых данных7мин

Форматы хранения разметки для задач компьютерного зрения6мин

Практическое занятие: Набор данных COCO4мин

Инструменты для разметки данных4мин

Практическое занятие: Разметка данных7мин

Тренды при разметке данных5мин

Краудсорсинг3мин

Масштабируемый краудсорсинг. Часть 19мин

Масштабируемый краудсорсинг. Часть 28мин

1 материал для самостоятельного изучения

Презентация: Подготовка данных к обучению10мин

8 практических упражнений

Вводное занятие5мин

Форматы хранения табличных данных5мин

Форматы хранения данных для задач компьютерного зрения10мин

Инструменты для разметки данных5мин

Хитрости для разметки данных5мин

Краудсорсинг5мин

Масштабируемый краудсорсинг. Часть 110мин

Масштабируемый краудсорсинг. Часть 210мин

Неделя

Неделя 2

14 ч. на завершение

Обучение классических моделей на больших данных

На этой неделе мы разберемся как обучать классические алгоритмы (линейные модели и деревья решений) на больших данных.

14 ч. на завершение

14 видео ((всего 152 мин.)), 1 материал для самостоятельного изучения, 10 тестов

14 видео

Вводное занятие5мин

Широкие данные и проблемы с ними11мин

Снижение размерности6мин

Практическое занятие: Метод главных компонент для уменьшения размерности13мин

Хеширование признаков9мин

Практическое занятие: Хеширование признаков14мин

Практическое занятие: Vowpal Wabbit14мин

Нативная работа с категориальными признаками8мин

Практическое занятие: Деревья решений и их ансамбли10мин

Высокие данные и проблемы с ними4мин

Оптимизация методом градиентного спуска10мин

Практическое занятие: Высокие данные13мин

Распределенное обучение деревьев12мин

Практическое занятие: Распределенное обучение деревьев14мин

1 материал для самостоятельного изучения

Презентация: Обучение классических моделей на больших данных10мин

6 практических упражнений

Признаковое пространство30мин

Хеширование признаков20мин

Деревья решений10мин

Высокие данные15мин

Распределенное обучение15мин

Распределенное обучение деревьев15мин

Неделя

Неделя 3

5 ч. на завершение

Построение рекомендательных систем

На этой неделе мы посмотрим, как можно распараллелить классические алгоритмы, применяемые в рекомендательных системах.

5 ч. на завершение

10 видео ((всего 89 мин.)), 1 материал для самостоятельного изучения, 2 тестов

10 видео

Рекомендательные системы6мин

Коллаборативная фильтрация5мин

Похожесть товаров13мин

Матричные факторизации10мин

ALS и iALS10мин

Масштабированиe ALS/iALS9мин

Метрики качества рекомендаций11мин

Практическое занятие: Рекомендации музыки5мин

Практическое занятие: Рекомендации музыки (iALS)8мин

Практическое занятие: Рекомендации музыки (NDCG)9мин

1 материал для самостоятельного изучения

Презентация: Построение рекомендательных систем10мин

1 практическое упражнение

Рекомендательные системы15мин

Неделя

Неделя 4

12 ч. на завершение

Анализ больших объемов текстовой информации

На этой неделе рассмотрим задачи машинного обучения на текстах. Поговорим про важный этап - предобработку текста, и то, как получить структурированное представление текстовых данных с помощью таких моделей как word2vec и BERT.

12 ч. на завершение

6 видео ((всего 66 мин.)), 1 материал для самостоятельного изучения, 8 тестов

6 видео

Вводное занятие7мин

Векторные модели представления текста11мин

Дистрибутивные и контекстуализированные модели14мин

Практическое занятие: Предобработка текстовых данных13мин

Практическое занятие: Векторные представления текста6мин

Практическое занятие: Дистрибутивные модели 12мин

1 материал для самостоятельного изучения

Презентация: Анализ больших объемов текстовой информации10мин

4 практических упражнения

Задачи NLP15мин

Векторные модели30мин

Дистрибутивные модели30мин

Контекстуализированные модели30мин

Специализация Промышленное машинное обучение: общие сведения

Программа состоит из трех курсов, позволяющих освоить методы обработки больших данных и получить представление о процессе проектирования, реализации и поддержки полноценного решения на базе интеллектуального анализа данных.

В первом курсе мы изучим технологии работы с большими данными, во втором — сконцентрируемся на адаптации алгоритмов машинного обучения для распределенного построения. В заключительном, третьем курсе специализации мы будем применять изученные методы и алгоритмы для построения реальных сервисов. Слушатели, успешно освоившие все темы программы, научатся эффективно использовать большие данные, обучать на них модели машинного обучения и создавать на их основе сервисы для решения практических задач.

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
Получу ли я зачеты в университете за прохождение курса?
Этот курс не приравнивается к зачету в университетах, однако некоторые вузы принимают сертификаты на свое усмотрение. Дополнительную информацию уточняйте в своем деканате. Онлайн-дипломы и сертификаты Mastertrack™ от Coursera позволяют получить зачеты.

Остались вопросы? Посетите Центр поддержки учащихся.

Машинное обучение на больших данных