Об этом курсе

Недавно просмотрено: 233,607

Карьерные результаты учащихся

47%

начал новую карьеру, пройдя эти курсы

60%

получил значимые преимущества в карьере благодаря этому курсу

40%

стал больше зарабатывать или получил повышение

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 50 часа на выполнение

Русский

Субтитры: Русский

Приобретаемые навыки

Random ForestPython ProgrammingMachine LearningSupervised Learning

Карьерные результаты учащихся

47%

начал новую карьеру, пройдя эти курсы

60%

получил значимые преимущества в карьере благодаря этому курсу

40%

стал больше зарабатывать или получил повышение

Сертификат, ссылками на который можно делиться с другими людьми

Получите сертификат по завершении

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 50 часа на выполнение

Русский

Субтитры: Русский

от партнера

Логотип Московский физико-технический институт

Московский физико-технический институт

Логотип Яндекс

Яндекс

Логотип E-Learning Development Fund

E-Learning Development Fund

Программа курса: что вы изучите

Оценка контентаThumbs Up88%(33,528 оценки)Info
Неделя
1

Неделя 1

9 ч. на завершение

Машинное обучение и линейные модели

9 ч. на завершение
13 видео ((всего 82 мин.)), 8 материалов для самостоятельного изучения, 8 тестов
13 видео
Как устроена специализация, и зачем ее проходить3мин
МФТИ1мин
Знакомство с машинным обучением11мин
Обучение на размеченных данных5мин
Обучение без учителя5мин
Признаки в машинном обучении8мин
Линейные модели в задачах регрессии9мин
Обучение линейной регрессии6мин
Градиентный спуск для линейной регрессии7мин
Стохастический градиентный спуск4мин
Линейная классификация6мин
Функции потерь в задачах классификации6мин
8 материала для самостоятельного изучения
Формат специализации и получение сертификата10мин
Немного о Yandex10мин
МФТИ10мин
Forum&Chat10мин
Слайды к лекциям10мин
Конспект10мин
Слайды к лекциям10мин
Конспект10мин
6 практического упражнения
Основные термины в машинном обучении6мин
Типы задач в машинном обучении6мин
Машинное обучение: задачи и признаки12мин
Линейная регрессия4мин
Градиентный спуск4мин
Линейные модели8мин
Неделя
2

Неделя 2

9 ч. на завершение

Борьба с переобучением и оценивание качества

9 ч. на завершение
14 видео ((всего 126 мин.)), 9 материалов для самостоятельного изучения, 8 тестов
14 видео
Регуляризация7мин
Оценивание качества алгоритмов7мин
Сравнение алгоритмов и выбор гиперпараметров4мин
Метрики качества в задачах регрессии10мин
Метрики качества классификации4мин
Точность и полнота8мин
Объединение точности и полноты5мин
Качество оценок принадлежности классу12мин
Встроенные датасеты. Sklearn.datasets15мин
Кросс-валидация. Sklearn.cross_validation9мин
Линейные модели. Sklearn.linear_model. Классификация10мин
Линейные модели. Sklearn.linear_model. Регрессия7мин
Метрики качества. Sklearn.metrics13мин
9 материала для самостоятельного изучения
Слайды к лекциям10мин
Конспект10мин
Слайды к лекциям10мин
Конспект10мин
Встроенные датасеты. Sklearn.datasets (ipython notebook)10мин
Кросс-валидация. Sklearn.cross_validation (ipython notebook)10мин
Линейные модели. Sklearn.linear_model. Классификация (ipython notebook)10мин
Линейные модели. Sklearn.linear_model. Регрессия (ipython notebook)10мин
Метрики качества. Sklearn.metrics (ipython notebook)10мин
6 практического упражнения
Проблема переобучения6мин
Проблема переобучения и борьба с ней10мин
Как измерить качество алгоритма?6мин
Метрики качества10мин
Встроенные датасеты и кросс-валидация8мин
Введение в scikit-learn10мин
Неделя
3

Неделя 3

7 ч. на завершение

Линейные модели: классификация и практические аспекты

7 ч. на завершение
14 видео ((всего 97 мин.)), 7 материалов для самостоятельного изучения, 7 тестов
14 видео
Метод максимального правдоподобия4мин
Регрессия как максимизация правдоподобия2мин
Регрессия как оценка среднего4мин
Регуляризация8мин
Задача оценивания вероятностей и логистическая регрессия8мин
Масштабирование признаков6мин
Спрямляющие пространства5мин
Работа с категориальными признаками4мин
Несбалансированные данные5мин
Многоклассовая классификация4мин
Подбор параметров по сетке. Sklearn.grid_search9мин
Задача: bike sharing demand15мин
Задача: bike sharing demand. Продолжение13мин
7 материала для самостоятельного изучения
Слайды к лекциям10мин
Конспект10мин
Слайды к лекциям10мин
Конспект10мин
Подбор параметров по сетке. Sklearn.grid_search (ipython notebook)10мин
Задача Bike Sharing Demand (ipython notebook)10мин
Задача Bike Sharing Demand. Продолжение (ipython notebook)10мин
6 практического упражнения
Метод максимального правдоподобия6мин
Линейные модели: статистический взгляд14мин
Линейные модели: подготовка признаков6мин
Линейные модели: практические аспекты6мин
Подбор параметров по сетке6мин
Анализ данных в scikit-learn12мин
Неделя
4

Неделя 4

10 ч. на завершение

Решающие деревья и композиции алгоритмов

10 ч. на завершение
17 видео ((всего 114 мин.)), 10 материалов для самостоятельного изучения, 8 тестов
17 видео
Обучение решающих деревьев6мин
Критерии информативности7мин
Критерии останова и стрижка деревьев4мин
Решающие деревья и категориальные признаки8мин
Решающие деревья в sklearn10мин
Композиции деревьев6мин
Смещение и разброс9мин
Случайные леса6мин
Трюки со случайными лесами4мин
Случайные леса в sklearn7мин
Композиции простых алгоритмов5мин
Градиентный бустинг7мин
Борьба с переобучением в градиентном бустинге6мин
Градиентный бустинг для регрессии и классификации4мин
Градиентный бустинг над решающими деревьями5мин
Градиентный бустинг в XGBoost5мин
10 материала для самостоятельного изучения
Решающие деревья в sklearn (ipython notebook)10мин
Слайды к лекциям10мин
Конспект10мин
Случайные леса в sklearn (ipython notebook)10мин
Слайды к лекциям10мин
Конспект10мин
XGBoost10мин
Градиентный бустинг в XGBoost (ipython notebook)10мин
Слайды к лекциям10мин
Конспект10мин
6 практического упражнения
Построение решающих деревьев8мин
Решающие деревья14мин
Бэггинг6мин
Композиции и случайные леса8мин
Обучение композиций и градиентный бустинг4мин
Градиентный бустинг: обучение и практические аспекты8мин

Специализация Машинное обучение и анализ данных: общие сведения

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

Часто задаваемые вопросы

  • Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.

  • 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.

  • Когда вы оформите подписку, начнется семидневный бесплатный пробный период, в течение которого подписку можно отменить без штрафа. По истечении этого срока вы не сможете вернуть средства, но сможете отменить подписку в любой момент. Ознакомьтесь с нашей политикой возврата средств.

  • 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.