Chevron Left
Вернуться к Обучение на размеченных данных

Отзывы учащихся о курсе Обучение на размеченных данных от партнера Московский физико-технический институт

4.8
звезд
Оценки: 2,456
Рецензии: 329

О курсе

Обучение на размеченных данных или обучение с учителем – это наиболее распространенный класс задач машинного обучения. К нему относятся те задачи, где нужно научиться предсказывать некоторую величину для любого объекта, имея конечное число примеров. Это может быть предсказание уровня пробок на участке дороги, определение возраста пользователя по его действиям в интернете, предсказание цены, по которой будет куплена подержанная машина. В этом курсе вы научитесь формулировать и, конечно, решать такие задачи. В центре нашего внимания будут успешно применяемые на практике алгоритмы классификации и регрессии: линейные модели, нейронные сети, решающие деревья и так далее. Особый акцент мы сделаем на такой мощной технике как построение композиций, которая позволяет существенно повысить качество отдельных алгоритмов и широко используется при решении прикладных задач. В частности, мы узнаем про случайные леса и про метод градиентного бустинга. Построение предсказывающих алгоритмов — это лишь часть работы при решении задачи анализа данных. Мы разберемся и с другими этапами: оценивание обобщающей способности алгоритмов, подбор параметров модели, выбор и подсчет метрик качества. Видео курса разработаны на Python 2. Задания и ноутбуки к ним адаптированы к Python 3....

Лучшие рецензии

RN
20 янв. 2017 г.

Один из лучших курсов по обучению на размеченных данных. Немного расстраивали несбалансированность сложности домашних заданий и промежуточных проверок правильности подготовки данных в заданиях.

AG
14 нояб. 2019 г.

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!

Фильтр по:

251–275 из 311 отзывов о курсе Обучение на размеченных данных

автор: Eugene M

5 февр. 2017 г.

В целом курс понравился, было много интересных и сложных задач, периодически приходилось хорошенько напрягать извилины. Материалы опираются на предыдущий курс и практически не требуют постоянного гугления, что тоже плюс. Впечатление немного испортила последняя неделя. Не очень понятно, зачем было в одну неделю укладывать столько разношерстных материалов. В итоге окончание получилось сумбурным. Если бы не этот казус и немного размытые постановки задач, в которых приходится долго думать над тем, чего от тебя хочет автор, вместо того, чтобы решать задачу, то курс бы заслужил полноценные 5 баллов. А в общем-то, большое спасибо за это крутое путешествие!

автор: Рогозин А

9 апр. 2020 г.

Курс вышел понятным.

Из плюсов могу выделить доступное изложение базовых методов классического машинного обучения. Такие понятные видеолекции мало где встретишь.

Из минусов курса могу выделить пятую неделю - она вышла галопом по Европам. Особенно лекции по нейронным сетям, которые не отличают информативностью. Домашнее задание с нейронными сетями пришлось с помощью танцев с бубном приводить в чувство, так как использована устаревшая библиотека и модули(

автор: Petr R

16 мар. 2019 г.

Такой хороший курс и так слили последнюю неделю. Сделайте уже что-нибудь с ней. Все в лучших традициях Воронцова : миллион формул на слайде, куча интегралов, выводы какие-то в две строки и "очевидные преобразования", далее задание на 5 минут, которое слабо связано с тем что происходило в лекции. Очень долго не мог закончить этот курс именно из-за этой недели, постоянно прокрастинировал её.

В итоге оценка за 1-4 неделю% 5 из 5

За 5 неделю : 1 из 5

автор: Ilya P

1 авг. 2017 г.

Второй курс специализации Яндекса (по ИИ) оставил противоречивые впечатление. С одной стороны, сделать продукт такого качества совсем не просто, и в русскоязычном пространстве вряд ли найдется более качественная специализация по ML. С другой стороны, подход Физтеха порой чересчур академичен, да и не расскажешь все за одну специализацию. Если параллельно подсматривать курсы на Udacity, например Deep Learning от Google, очень хорошо получается.

автор: Vadim K

28 мая 2018 г.

Supervised learning part is much better than the first one in terms of the lessons, however it's not perfect. Neural networks lessons and assignments are really poor. I also find some things to not be expressed in enough details, it seems like not all pictures in the slides are correct. As I remember it was about uniform vs distance in KNN or SVM where overfitting graph is for distance(1) instead of uniform(1/d).

автор: Dmitrijs B

27 сент. 2020 г.

Курс отлично сбалансирован по содержанию в нем теории и практики. Он прекрасно подойдет для тех кто хочет узнать математику ML и практичесткое применение методов. Однако он может не подойти для тех кто хочет ориентироваться исключительно на практику. Ставлю только 4 зведы так как некоторые практические части давно устарели и используют не актуальные Python библиотеки, но это небольшая проблема.

автор: Gennadiy B

12 янв. 2020 г.

В целом курс хороший, хотя теория рассказана поверхностно, это оставляет ощущение неудовлетворенности и неуверенности в том, что понял материал до конца. Это скорее выглядит как справка, которую принимаешь на веру. Задания выглядят как рецепт в кулинарной книги, но это хорошо. При желании можно разобраться в теме, подтянув знания по математике, жаль только литература вся на английском.

автор: Mikhail I

15 нояб. 2020 г.

Огромная просьба к авторам курса переработать Programm Assignment в третьей неделе. Проблема с некорректным кодированием признаков и измененного в sklearn.LogisticRegression солвера по умолчанию заставляет потратить какое-то огромное колчиество времени на преодоление (и то только с помощью форума, где про все эти проблемы было написано как минимум год назад)

автор: Sergey O

10 дек. 2019 г.

Курс хороший. Познакомитесь с решающими деревьями, случанйым лесом, бустингом. Но вот некоторые блоки - нейронки, байесовские методы - на мой взгляд даны очень уж вкратце. Как обзор - подойдет, но в нем немного смысла, ведь мы все равно забудем эти вещи.

Я все равно рад, что прошел "Обучение на размеченных данных". Думаю, стоит погружаться дальше.

автор: Ivan H

17 янв. 2021 г.

Хороший курс с доступно обьясненной теоретической базой. Но большой проблемой являются устаревшие тексты заданий, которые не обновляются, в отличие от python и его библиотек. Вследствие этого выполнение этих заданий занимает гораздо больше времени, чем хотелось бы, большая часть которого идет на исправление ошибок составителей заданий.

автор: Artem S

22 сент. 2020 г.

Курс хороший, объясняется доступно, мне показался легче первого, спасибо преподавателям курса за отличные ноутбуки заданий первых недель, я получил удовольствие от их выполнения. последняя неделя испортила впечатление, если так говорить о нейросетях, то уж лучше, наверное вообще не говорить.

автор: Evgenii K

14 мар. 2020 г.

Хороший курс и задания интересные. Подкачала пятая неделя - как будто бы в последних блоках за три подхода по полчаса пытаются рассказать про нейронные сети, байесовские методы и метрические классификаторы, получается в итоге очень скомкано. С нейронками так вообще провал

автор: Domnin V

27 янв. 2019 г.

Любопытный вводный курс, дающий мне как новичку представление о сложившейся терминологии, базовых инструментах, а главное широте и объеме темы. Тема огромна.

Спасибо инструкторам за энтузиазм и информативность изложения. Получилось точно не хуже, чем AWS тренинг.

автор: Ivan O

2 мая 2018 г.

Хороший курс, здесь совсем мало нейронок, но очень хорошее введение в целом в алгоритмы машинного обучения. На практике может занять больше заявленных 5 недель, ну и встречаются задания в которых нужно поплясать с бубном, чтобы ответ приняли.

автор: Alex Z

15 мая 2020 г.

Курс неравномерный. Задания различаются по сложности очень сильно. Про нейронки очень сжато рассказано. Может , дальше будет. Если у вас нет хорошего знания мат.статистики, ищите на ютубе лекции, преподы курса не всегда хорошо объясняют.

автор: Gulnur B

12 апр. 2019 г.

Отличный курс! Расстроила только последняя неделя: неудачный выбор лектора в первом разделе; недостаток взаимосвязанности с предыдущим материалом; скомканность достаточно интересных тем. Тем не менее, огромное спасибо за вашу работу!

автор: Беденко А А

23 янв. 2018 г.

Жалко, что нейронные сети остались за бортом. С другой стороны - полученных знаний вполне хватает чтобы понимать учебники по НС. Так что наверстаем. 4 первых недели прекрасны. Последняя неделя - IMHO винегрет. Потому 4 из 5.

автор: Шаланкин М Д

14 мар. 2019 г.

Хороший сложный курс, насыщенная программа и интересные задания.UPD: (прошёл 5 курсов из этой специализации, никому не советую проходить больше двух первых, потому что цена - качество не соответсвуют)

автор: Stanislav

22 февр. 2018 г.

Замечательный курс, узнал много важных вещей. Но последняя неделя показалась несколько поверхностной. Надеюсь, что её материал будет рассмотрен подробнее в следующих курсах специализации.

автор: Радионов А

20 сент. 2017 г.

Курс отличный: грамотно подаются практические аспекты обучения с учителем. Правда, впечатление несколько портит использование Python 2 и странное задание с PyBrain. Но это не критично.

автор: Vladimir Y

14 февр. 2018 г.

Хороший курс, но есть ряд замечаний к практическим заданиям. Мне кажется они нуждаются в дополнительной проработке и им необходима более широкая лекционная поддержка.

автор: Волков П М

22 февр. 2020 г.

Вторая часть курса явно не так хорошо нормирована. Задания стали куда более трудоемкими и при этом их количество так же увеличилось. Но за теорию спасибо

автор: Dmitriy R

28 июня 2017 г.

Практическая работа по нейронным сетям не дала никаких навыков по работе с ними. Просто copy-paste предыдущих строчек кода в этом же ipython notebook.

автор: Vadim T

25 мар. 2017 г.

Велика разница между преподавателями. Особенно неудачно, на мой взгляд, освещались темы Байесовской классификации и регресии и метрические алгоритмы

автор: Martynov E E

3 авг. 2020 г.

Тяжко разбираться в теорвере, если воспринимать всю даваемую в курсе математику всерьез. Хотелось бы, чтобы было больше рекомендаций по литературе.