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: 2,319
Рецензии: 303

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

Jan 21, 2017

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

AG

Nov 15, 2019

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:

26–50 из 285 отзывов о курсе Обучение на размеченных данных

автор: Сокольцов В Ю

Jun 12, 2017

Я отдаю деньги, а потом мне еще и ребусы в заданиях разгадывать. Если вы уж делаете этот курс для людей, которые успешно работаю в сфере анализа данных - так вы хотя бы пишите об этом. Не все ваши студенты закончили МФТИ!

автор: Daniel B

May 11, 2019

Интересный курс, но сложность заданий не всегда соответствует излагаемому материалу, да и порядок изложения не всегда логичен. Хорошо, что у sklearn подробная доступная документация :)

автор: Нестеров А А

Sep 17, 2017

Отличный курс для общего понимания Обучения на размеченных данных. Но иногда бывает резкое углубление в математику, что под силу не для всех.

автор: Фомин А Г

Jun 17, 2018

Было трудно

автор: Oleg P

Apr 29, 2016

Мне кажется, что реальная оценка этого курса на сегодняшний день (апрель 2016) - три бала.

Конечно, работа, проделанная создателями курса огромна. Фактически, создан с нуля курс на русском языке по машинному обучению, который охватывает основные темы машинного обучения, более того, зачастую дает больше деталей и математики, чем тот же курс от Andrew Ng. Также я считаю, что этот курс лучше, чем похожий курс от Яндекса. Лекции действительно имеют отношение к теории.

С другой стороны, если смотреть на этот курс, как на продукт среди других, доступных на курсере, то видны и его недостатки. Курс сырой: много недочетов, плохо сформулированных вопросов. Грейдер не принимает ответ, но если запустить тот же код, но в интернете (try jupiter), то вдруг все правильно. Недостатком я считаю и то, что авторы курса не очень активно участвуют в форуме.

Заключение: реальная оценка, по-моему, это 3. Среди русскоязычных курсов по машинному обучению это лучший курс, но если смотреть рационально, сравнивая с другими курсами (и не только по машинному обучению), то еще очень много надо над ним работать. Если авторы планируют развивать этот курс, я думаю, он может очень хорошим, действительно лучшим.

автор: Vlad B

Oct 14, 2016

Курс дает общее представление о машинном обучении. В заданиях много ошибок и инструкции к заданиям написаны нечетко, время тратится на понимание постановки задачи, а не на выполнение самого задания и приобретения каких-то навыков по обработке данных

автор: Maria

Apr 18, 2016

Очень непонятные и запутанные объяснения. Понять может только человек, который уже проходил где-то весь этот материал.

автор: Kozlovtsev A

Jul 28, 2016

Хороший курс. Поначалу казалось, что темы освещаются слишком уж "по вершкам", но по окончании курса, понял, что глубже и не нужно - весь необходимый практический минимум курс дает, а за теорией лучше все же обратиться к соответствующей литературе (или к специализированным курсам).

Теперь придирки :) В некоторых практических заданиях и тестах куча времени уходит на вычитывание мелких нюансов в условии. То есть написанный код верен, но грейдер не принимает ответ, потому что, например, во всех заданиях ранее мы стандартно делили выборку случайно, а в этом задании нам нужны именно последние 25%, на мой взгляд это требование в задании нужно как минимум выделять жирным шрифтом. Таких мест в задачах мало, но именно в силу своей внезапности, они сильно портят настроение.

В целом же, все понравилось, огромное спасибо преподавателям и всей команде курса!

автор: Sergey P

May 17, 2016

Курс неплохой, интересный. Много практики. Нагрузка, все же, довольно высокая, особенно для работающего человека, поэтому бывает тяжело. Особенно огорчают ошибки в грейдере (на третьей деле, если не ошибаюсь, столкнулся), из-за них убивается действительно гигантское количество времени. Еще один минус - некоторые моменты в лекциях освещаются очень поверхностно, а порой на слушателя просто вываливаются большие формулы, а пояснение дано к ним в двух словах. В этом плане классический ml class с Andrew Ng мне понравился больше, т.к. теория там дана была более подробно, но зато было меньше практики (а тут плюс текущему курсу).

Например, если в теоретическом материале преподаватель скажет почему функция потерь, например, log-loss получается именно такой, то этот материал станет интересней в квадрате! :)

Тем не менее спасибо, было интересно.

автор: Колобов И А

Sep 13, 2019

Курс отличный! Правда, пятая неделя оказалась достаточно непонятной в плане консистентности материала относительно других недель, особенно распределения в рамках наивного байеса. В целом, отмечу плюсом для себя именно наличие похожих заданий в разных неделях - построение линейных моделей, к примеру - уже доводится до определенного автоматизма и точно не забудется. Также порадовали вставки разных особенных функций в синтаксисе питона (например, zip или concat) - то есть не просто повторение и копипаста, а освоение и особенностей языка. В целом, конечно, теоретические моменты со временем, если не работать непосредственно с ними часто, могут забыться, но хотя бы стало меньше каши в голове относительно тех или иных методов. Спасибо!

автор: Павельев А В

Jan 12, 2020

Хороший курс. Сформировал понимание, какие задачи решает обучение на размеченных данных, познакомил с достаточно разными моделями, применимыми на практике, дал много важной информации по библиотеке sklearn.

Были затронуты достаточно важные темы о подборе гиперпараметров модели и контроле качества на отложенной выборке/кросс-валидации.

Несколько огорчила неактуальность библиотеки для задания по нейронным сетям, которые в этом курсе затрагиваются лишь обзорно.

В целом очень благодарен команде курса за проделанную работу. Это в каком-то смысле уникальные и актуальные знания и умения, которые тяжело получить где-то еще.

Особенно хочется отметить Евгения Соколова, Эмели Драль и Виктора Кантора как замечательных преподавателей.

автор: Кирилл В

Apr 26, 2017

Прекрасный курс!

Большое спасибо преподавателям за доступное изложение материала! В курсе много практических заданий, которые позволяют потрогать руками различные методы обучения на размеченных данных, что вкупе с хорошей теоретической базой дает слушателям возможность осознанно применять инструменты для решения различных задач по анализу данных. Кстати, отдельно хочется отметить, что преподаватели дают еще и множество практических советов по предобработке данных и применению методов машинного обучения.

Из недостатков: на 5 неделе дается вводное занятие по нейронным сетям. Задание по программированию по этой теме основано на библиотеке pybrain, которая на сегодняшний день является устаревшей.

автор: Valeriia N

Jan 31, 2018

The course overall is very good, especially if to read all the additional materials and google things to know more.

The only thing I personally did not like is non-uniformness of different parts. For example, in my opinion, the neural network part was much weaker than others: nothing was easy to understand in the videos and the practical task was just boring. However I need to notice that gradient boosting part and methods review part were really good.

Also a little thing that I did not like is that some of the tasks were in ipynb, and the others were not. It was just a bit imperfect.

Thank you for the course very much! I really enjoyed it and learned the things I did not know before.

автор: Vasiliy Z

Jun 08, 2016

В курсе подробно разобраны базовые методы машинного обучения с учителем.

Рассмотрены линейные модели, деревья, композиции алгоритмов. Ко всему материалу дана математическая база, практическая реализация на Python с использованием соответствующих библиотек и задачи на закрепление материала.

Много внимания уделено правильно подготовке и работе с данными, рассмотрены различные реальные проблемы и возможные решения, весь материал подкреплен практическими заданиями.

Курс не очень сложный, отлично совмещает практику и теорию, рекомендую всем кто интересуется темой.

автор: Yuriy Z

Mar 19, 2020

Лично для меня "Обучение на размеченных данных" был очень информативным курсом. До этого курса единственное что я умел делать на размеченных данных были нейронные сети. Благодаря этому курсу я узнал и попробовал лассо регрессию, ридж регрессию, решающие деревья, случайные леса. Очень сильно удивился увидев использование байесовской статистики для разделения данных. Сразу скажу, что вреия отведенное на курсы для меня оказалось неподйомным и над курсом я просидел значительно дольше чем запланировано. Обучение помогло получить победу на одном с конкурсов.

автор: Vladislav K

Nov 17, 2018

Хороший курс для введения в машинное обучение. Знакомит с основными понятиями и со множеством алгоритмов машинного обучения, как и простых, так и не очень. Хочется отметить, что в курсе соблюдается баланс между теорией и практикой. Конечно, для получения более детального представления о некоторых алгоритмах придется воспользоваться другими источниками, но всю информацию в 5-ти недельный курс не уместить. Из минусов могу отметить только уж очень беглое рассмотрение нейронных сетей, оно явно носит лишь ознакомительный характер.

автор: Бадрутдинов Р Р

Mar 17, 2020

Прекрасный курс! По сравнению с первым курсом специализации выросла сложность как теоретического материала, так и практических заданий. Единственное что хотелось бы поменять - это доработать критерии приёма работ в заданиях на программирование, в одном задании так и не удалось подобрать нужный ответ из целого множества правильных ) На форумах заданий эта проблема активно обсуждается, но не все недостатки ещё исправлены.

автор: Фесенко Г Е

May 27, 2017

Отличный курс! Много практики. Не очень понравилась 5-я неделя - рассказ про нейросети, как мне показалось, был чрезмерно поверхностным, но при этом довольно сложным. Не очень понятно для чего это было сделано - для того, чтобы показать, что они существуют это было как-то сложно, для тех, кто уже с ними знаком - это наверняка было итак известной информацией, а для тех, кто впервые о них узнал - слишком трудно.

автор: Кадырметов Ш В

Jan 15, 2018

Отличный курс. Сам не эксперт, но алгоритмов разных, в ознакомительном порядке, в нём по-максимуму.

Даёшь больше байесовской статистики! Было бы классно задачу какую-нибудь, из серии спрогнозировать движение такси показаниям по GPS и спидометра. Вообще, пока ощущение, что это метод королей, но нет "мяса".

В целом получил положительных эмоций от чего-то, что работает) С нетерпением иду дальше по специализации

автор: Петров И В

Sep 15, 2018

Курс был очень полезный. Изложение материала отличное. Были иногда непонятки с заданиями, но они решались. Единственная часть курса, которая не очень понравилась была посвящена нейросетям, лектор, на мой взгляд, не так качественно освятил эту тему, как другие лекторы остальные темы, а задание по ней делалось в не самой популярной библиотеке для построения нейронных сетей.

автор: Pavel A

May 06, 2019

Замечательный курс для первичного знакомства с анализом данных, преподаватели стараются объяснить все максимально понятно для неподготовленного слушателя, ощущается их труд при составлении курса. Вся информация с лекций законспектрована, так что есть возможность всегда освежить знания, полученные при прохождении специализации. Огромноное спасибо авторам!

автор: Sergey K

Feb 11, 2019

I have finally finished this course and am glad... no... i am happy. The course requires from participants a lot of effort.

This course is definitely a challenge. I congratulate all participants who have also come to the end. I also would like to appreciate the mentors whose help is very intense and the teaching staff for sharing their knowledge.

автор: Митюшина Е С

Mar 12, 2018

Отличный курс! Подходит для слушателей с разным уровнем подготовки, пробуждает интерес углубиться в рассматриваемые темы, дает достаточное понимание предмета, чтобы продолжить самостоятельное изучение. Для меня главной трудностью была острая нехватка навыков программирования - на практические задания 2 и 3 недели было потрачено немало времени.

автор: Поляков Г В

Dec 04, 2019

Всем привет. Отличный курс, выверенные задания. Были знания к моменту прохождения курса. Уже давно смотрю на него, тогда не было тетрадок на python3, теперь появились. Очень комфортно. Полученные знания позволят понимать базовые алгоритмы машиннного обучения в отношении supervised learning. Достойные примеры и практика.

автор: Алексей К Д

Mar 25, 2018

Отличный курс. За короткий срок рассматривается очень много методов машинного обучения, но при этом объясняются они доходчиво и доступно. Множество практических, разнообразных задач позволяют закрепить навыки и укрепить теоретические знания. Ищите меня на kaggle, буду практиковаться на задачах ;)