Первые 4 недели более-менее, хотя с теми же недостатками что и первый курс: галопом по европам, быстро, шаблонно отчитать формулы. Но 5 неделя - перебор даже для вашего стиля, так неинтересно рассказать про NN - нужно особое умение. Слайд где нарисованы 3 желтых пятна разного размера и какая-то точка X* - это вообще "эталон" визуализации)) Постараюсь успеть до окончания подписки как можно больше, но продлять спецуху желание пропало.

Без отличного математического бэкграунда (или просто отличного понимания всех понятий из первого курса - особенно, теория вероятности, операции в векторных пространствах и пр.), а также не понимая математики первых недель курса, всю математику курса понять вряд ли получится. Если такого бэкграунда нет - это будет неплохой обзорный курс, но его в любом случае нужно будет углублять уже самостоятельно. Для меня по содержанию - отлично.

Что не понравилось - урок "линейные модели: статистический взгляд" на 3-й неделе. Очень много времени "убил" на попытки понять, очень не хватало "мостиков" между понятиями, данными в уроке. В итоге остался неприятный осадок от этого урока. Урок по нейросетям я бы сделал поподробнее и несколько проще. Также, касается большинства тем курса, очень мало ответов от наставников по существу преподаваемого материала - в основном, по моим наблюдениям, отвечают на вопросы по задачам и тестам.

В принципе, если даже не получится усвоить всю математику, курс отлично показывает механики работы методов обучения с учителем и через интересные задания (но тоже не без огрехов) даёт углубленное понимание этих методов. Думаю, другие прошедшие курс согласятся, что он не сделает вас Data Scientist, но даст определённый понятийный набор и некоторый опыт для дальнейшего углубления.

По интенсивности - 5 недель, сложность возрастает с каждой неделей. Значительно сложнее 1-го курса. С полной занятостью на работе по 8-10 часов, окончив технический ВУЗ лет 10 назад и повторив основы в рамках первого курса специализации - тяжеловато, но подъёмно.

Коллективу желаю не бросать этот курс, а развивать его дальше. Есть к чему стремиться, но в целом очень неплохо уже сейчас.

Очень понравился курс. Если формулы на слайдах появляются, то подробно разбираются. Спасибо, за задание "Градиентный бустинг своими руками". Это задание, действительно, помогло лучше разобраться в алгоритме. Отдельно хотелось бы отметить Евгения Соколова, его лекции было приятно слушать и материал усваивался легко.

Слишком рано стало сложно, мало примеров и много формул.

Курс хорош, но обладает рядом существенных проблем: нулевая поддержка курса (несуществующие ныне модули из sklearn, мертый pybrain, python 2.7 (который перестанет поддерживаться в следующем году), большая проблема получить поддержку на форуме от представителей курса) Можно было бы разбить последнюю неделю на две и увеличить количество материала по нейросетям и метрическим методам

Лекции и задаение по нейронным сетям - низкого качества, лучше убрать из курса и сделать ссылки на такие статьи, как:

https://habrahabr.ru/post/312450/

https://habrahabr.ru/post/313216/

Очень интересно, но очень трудновоспринимаемо

Очень большая теоретическая нагрузка. Несмотря на то, что я "в теме" некоторые вещи пришлось открывать заново. Отдельно хотелось бы проехаться по примерам. Я так понял кур был подготовлен в 2016 году, с тех пор прошло 2 года - примеры надо бы обновить, т.к. часть библиотек питона обновилась (особенно sklearn) и некоторые методы ругаются, что скоро перестанут работать, в одном примере у меня совсем отказался строиться график.. ну не то, чтобы мне лень но технические проблемы курса при обучении решать - отнимает много ценного времени.. с временем у меня конкретные проблемы в силу занятости.

Наверное, второй курс - самый тяжелый из всей специализации в плане задач по программированию, но это не делает его менее интересным, нужно всего лишь преодолеть эти трудности :)

Хороший курс, добротный, но хотелось бы увидеть больше информации о нейронных сетях, либо совсем тогда убрать эту тему из данного курса, ибо времени было уделено ей совсем мало.

Спасибо большое за курс!

Систематизировал и вспомнил свои знания по линейным моделям, узнал много нового и полезного про остальные модели, поработал наконец с нейронными сетями!

В некоторых заданиях по программированию не хватает конкретики, кое-где для внесения определенности при объявлении классификатора полезно было бы зафиксировать random_stare. Прекрасно было бы побольше рассказать про нейронные сети и их построение, разобрав популярные пакеты TensorFlow или Theano. Ну и, например, keras, как надстройку над ними.

Тем не менее, курс замечательный и дает хорошее представление о предмете. Проходил его после 7-недельного курса Воронцова по машинному обучению. Тем не менее, нашел много нового для себя.

Спасибо вам.

В целом отлично, но с грейдером на третьей неделе пришлось очень помучиться. Надеюсь, что поправили.

Каждый раз, когда приходилось заниматься подгонкой ответа под грейдер, у меня неистово бомбило. :(

Очень неравномерное распределение нагрузки по неделям

До четвёртой недели всё хорошо, на 4 неделе про градиентный бустинг задача невнятная, 5 неделю можно было растянуться на 2-3 и дать нормальное объяснение нейронным сетям. Pybrain включить отдельное приключение. Вопросы на форумах месяцами лежат, так что лучше сразу гуглить.

В целом хорошие впечатления от курса, но требует доработки.

Замечательный курс, который дает массу знаний и навыков по теме анализа данных.

Были очень интересные практические задания. Некоторые из них потребовали довольно много времени, но это того стоило. Параллельно пришлось подтягивать математику, что очень полезно само по себе. Тем, кто будет проходит этот курс в будущем, рекомендую освежить знания по статистике и теории вероятностей - это сильно пригодится.

Из преподавателей отдельно отмечу Евгения Соколова, который очень просто и доступно объяснил тему решающих деревьев. Еще запомнилась одна из лекций Эмели Драль, где она на примерах показала типичные ошибки начинающих специалистов по анализу данных. Остальные ребята тоже отлично справились со своим делом.

Единственное, мне не очень понравилось, как была раскрыта тема нейронных сетей. Это мега-интересная область, но ее подали очень сухо, непонятно и скомкано. Не хватало простых жизненных примеров, которые бы разобрали по шагам. Для сравнения у Andrew Ng этот материал дается гораздо понятнее и интереснее. Скажу честно — если бы я не прошел его курс, то здесь бы ничего не понял и потерял бы интерес к нейронным сетям.

Но все равно курс очень крутой. Ни разу не пожалел, что записался.

P.S. Маленькое пожелание — хочется больше активности на форуме со стороны преподавателей/менторов. Иногда этого очень не хватает.

Очень непростой, но интересный курс.

Если вам было сложно на 1 курсе специализации, то тут вероятно потребуется гораздо больше работать (в том числе самостоятельно).

Критичной будет успех на 3 неделе – там очень большая и непростая курсовая работа, многие этапы которой даются с огромным трудом. В случае возникновения трудностей стоит поискать ответы на форуме.

Удивительным откровением стала неделя по нейросетям. Как оказывается просто они устроены. Когда в университете через определение «персептрона» нейросети читали, только путали. Не надо никаких муравьёв, аналогий с живыми системами – формула тут очень простая и объясняет всё гораздо проще, чем неуместные аналогии.

Множество методов, показанных в курсе буквально завораживают – для практически любой задачи можно найти что-нибудь «своё». Так и хочется броситься решать практические задачки, кажется, что ты теперь всемогущий (градиентный бустинг в какой-то момент вызывает ассоциации с BFG9000, для тех, кто понимает).

Мне потребовалось больше 2 месяцев – явно не хватало подготовки (как в плане python, так и по математике).

Но самое главное, что курс очень интересный!

Алексей З.

Для начала, выражаю благодарность авторам за курс.

Курс позволяет получить базовое представление об основных алгоритмах машинного обучения с теоретической и программной (очень хорошо разобраны модели из sklearn-библиотеки) стороны, особенно если не лениться и задавать себе вопросы по ходу лекций / упражнений и находить на них ответы. При таком подходе можно получить знания значительно глубже. Однако слушателям, слабо владеющим высшей математикой, тервером, матстатом придется не сладко. Основная часть теории на курсе дается так, будто слушатель все это уже знает или знал, но просто подзабыл и нужно всего-то сакцентировать его внимание на некоторых вещах. Лично мне потребовалось значительно больше 5 недель, чтобы завершить курс, а параллельно подтянуть тервер, матстат, ...

Даже слабая 5-я неделя не испортила впечатлений. Отличный курс, в большинстве своём очень интересные задания. Соколов - боженька! Получаю удовольствие от его лекций сравнимое с прослушиванием любимой музыки. Просто невероятно.

Хороший курс, позволяющий ознакомиться в алгоритмами. Дает примерное представление как работают алгоритмы, какие вообще алгоритмы бывают и как их нужно использовать в sklearn. Соколов - "explanator" from the God.

Очень интересный и более сложный курс по сравнению с предыдущим! Но!! Хотелось бы обновлений и дополнений по нейросетям (мало информации), а также не затронут TensorFlow, что не очень хорошо!

Было трудно, но я наконец освоил этот курс. Были бессонные ночи и дикие негодования о не принятии системой моих ответов, но после того как я это прошёл, я рад что учился на этом курсе.

Курс интересный. Правда местами складывалось впечатление что переход от простых вещей к более сложным отсутствует.

Спасибо за курс! В целом несмотря на минусы курс очень полезен для тех, кто уже имеет базовые навыки программирования, рекомендую! Плюсы курса/что понравилось: 1)объяснения преподавателей Е Соколова, Э Драль. 2) Недели 1, 2,4 обучения (курс поможет понять деревья решений и бустинг и с нулевыми знаниями по теме! ) 3) полезные практические задания в питоне

Минусы: 1) Вялые лекции Кантора, преподаватель убивает интерес к обучению. 2) Неделя 5 обучения - лучше убрать про нейронки, оставив ссылки для изучения. 3) В начале курса не объясняют про скачивание файлов json для питона 3 - пришлось узнать это в группе Телеграмм. 4) Излишняя перегруженность теорией в неделях 3 и 5. Итоги: Курс имеет недостатки, но очень полезен для развития в Data Science. Спасибо!