About this course: В машинном обучении встречаются задачи, где нужно изучить структуру данных, найти в них скрытые взаимосвязи и закономерности. Например, нам может понадобиться описать каждого клиента банка с помощью меньшего количества переменных — для этого можно использовать методы понижения размерности, основанные на матричных разложениях. Такие методы пытаются сформировать новые признаки на основе старых, сохранив как можно больше информации в данных. Другим примером может служить задача тематического моделирования, в которой для набора текстов нужно построить модель, объясняющую процесс формирования этих текстов из небольшого количества тем. Такие задачи назвают обучением без учителя. В отличие от обучения с учителем, в них не предполагают восстановление зависимости между объектами и целевой переменной. Из этого курса вы узнаете об алгоритмах кластеризации данных, с помощью которых, например, можно искать группы схожих клиентов мобильного оператора. Вы научитесь строить матричные разложения и решать задачу тематического моделирования, понижать размерность данных, искать аномалии и визуализировать многомерные данные.
Who is this class for: Этот курс предназначен для всех, кто уже знаком с основами машинного обучения и хочет погрузиться в задачи, связанные с обучением без учителя. Мы обсудим кластеризацию, тематическое моделирование, сжатие данных, визуализацию и другие связанные с этим темы. Курс может быть полезен студентам и всем, кто осваивает профессию data scientist’а.
Created by: Moscow Institute of Physics and Technology
Taught by: Евгений Рябенко, кандидат физико-математических наук, доцент
факультет управления и прикладной математики
Taught by: Evgeny Sokolov
Taught by: Victor Kantor
Taught by: Emeli Dral
Taught by: Константин Воронцов, доктор физико-математических наук, профессор
Кафедра интеллектуальных систем
| Basic Info | Course 3 of 6 in the Машинное обучение и анализ данных Specialization |
| Level | Intermediate |
| Commitment | 4 недели обучения, через 3-5 часа / неделю |
| Language | Russian |
| How To Pass | Pass all graded assignments to complete the course. |
| User Ratings |
Syllabus
WEEK 1
Кластеризация
Добро пожаловать на курс "Поиск структуры в данных"! В этом курсе вы узнаете про задачи машинного обучения, в которых требуется не предсказать целевую переменную, а найти некоторые внутренние закономерности в данных — например, сгруппировать объекты по схожести, или определить наиболее важные признаки. В первом модуле мы изучим задачу кластеризации, направленную на поиск групп близких объектов. Вы узнаете про основные подходы к её решению, а также узнаете, как можно выбрать хороший алгоритм кластеризации, не имея правильных ответов.
15 videos, 9 readings, 2 practice quizzes
- Video: Как прекрасны машинное обучение и анализ данных
- Video: Как устроена специализация, и зачем ее проходить
- Reading: Анкета для слушателя
- Video: Структура уроков
- Video: Задача кластеризации
- Video: Примеры задач кластеризации
- Video: Знакомство с методами кластеризации
- Practice Quiz: Знакомство с кластеризацией
- Video: Пример: кластеризация текстов по теме
- Reading: Блокнот из примера кластеризации текстов
- Video: Выбор метода кластеризации
- Reading: Слайды к лекциям
- Reading: Конспект
- Reading: Немного о Yandex
- Reading: МФТИ
- Video: МФТИ
- Reading: Forum&Slack
- Video: Метод K средних (K-Means)
- Video: Expectation Maximization (EM-алгоритм)
- Video: Агломеративная иерархическая кластеризация
- Video: Графовые методы кластеризации
- Practice Quiz: Некоторые методы кластеризации
- Video: Методы, основанные на плотности
- Video: Оценка качества и рекомендации по решению задачи кластеризации
- Reading: Слайды к лекциям
- Reading: Конспект
- Discussion Prompt: Давайте знакомиться!
Graded: Введение в кластеризацию
Graded: Подробнее о методах кластеризации
Graded: Размещение баннеров
WEEK 2
Понижение размерности и матричные разложения
В предыдущем модуле мы обсуждали, как кластеризовать объекты, а в этом модуле займёмся признаками. Нередко возникают ситуации, в которых далеко не все признаки нужны для решения задачи — или же нужны все, но при этом их слишком много. В этом случае нужно перейти в новое признаковое пространство меньшей размерности. Для этого можно либо отбирать наиболее важные признаки, либо порождать новые на основе исходных — мы обсудим оба подхода. В частности, мы разберёмся с методом главных компонент, который используется в самых разных задачах машинного обучения. Затем мы перейдём к матричным разложениям — мы изучим несколько методов, позволяющих получить приближение исходной матрицы в виде произведения нескольких матриц меньшей размерности. Такая аппроксимация часто используется в задачах машинного обучения, например, для понижения размерности данных, восстановления пропущенных значений в матрицах и построения рекомендательных систем.
15 videos, 4 readings, 2 practice quizzes
- Video: Зачем отбирать признаки?
- Video: Одномерный отбор признаков
- Video: Жадные методы отбора признаков
- Video: Отбор признаков на основе моделей
- Practice Quiz: Отбор признаков
- Video: Понижение размерности
- Video: Метод главных компонент: постановка задачи
- Video: Метод главных компонент: решение
- Reading: Слайды к лекциям
- Reading: Конспект
- Video: Матричные разложения
- Video: SGD и ALS
- Video: Прогнозирование неизвестных значений в матрице
- Video: Проблема отсутствия негативных примеров и implicit методы
- Video: Вероятностный взгляд на матричные разложения
- Video: Неотрицательные матричные разложения: постановка и решение
- Video: Неотрицательные матричные разложения: функционалы и инициализация
- Practice Quiz: Неотрицательные матричные разложения
- Video: Обработка пропусков
- Reading: Слайды к лекциям
- Reading: Конспект
Graded: Понижение размерности и отбор признаков
Graded: Метод главных компонент
Graded: Матричные разложения
WEEK 3
Визуализация и поиск аномалий
Добро пожаловать на третью неделю курса! В ней мы обсудим две задачи: обнаружение аномалий и визуализация данных. Обнаружение аномалий направлено на поиск объектов, которые являются особенными в некотором смысле. Например, это могут объекты с такими значениями признаков, которые далеки от имеющихся в обучающей выборке — вполне ожидаемо, что на таких объектах модель выдаст очень плохие прогнозы. Вы узнаете, как можно формально дать определение аномалий и с помощью каких методов можно решать задачу их поиска. Вторая задача, о которой мы поговорим — это визуализация, то есть отображение многомерной выборки в пространство размерности два или три. В теории визуализация близка к понижению размерности — но за счёт того, что нам нужно найти всего два или три признака, можно использовать очень сложные нелинейные методы.
8 videos, 5 readings, 2 practice quizzes
- Video: Задача обнаружения аномалий
- Video: Параметрическое восстановление плотности
- Video: Непараметрическое восстановление плотности
- Practice Quiz: Восстановление плотности
- Video: Одноклассовый SVM
- Reading: Слайды к лекциям
- Reading: Конспект
- Video: Задача визуализации
- Video: Многомерное шкалирование
- Video: Метод t-SNE
- Practice Quiz: Методы SNE и t-SNE
- Video: Визуализация данных в sklearn
- Reading: Визуализация данных в sklearn
- Reading: Слайды к лекциям
- Reading: Конспект
Graded: Поиск аномалий
Graded: Визуализация
Graded: Визуализация данных
WEEK 4
Тематическое моделирование
Люди уже много веков сохраняют свои знания в виде книг, а крупнейшая на сегодняшний день коллекция информации — Интернет — состоит из огромного количества текстов. Тексты, по сути, являются наиболее популярным видом данных, и поэтому очень важно уметь искать в них закономерности. Тематическое моделирование — это способ семантического анализа коллекции текстовых документов. Тематическая модель позволяет для каждого документа найти темы, которые его описывают, и кроме того показывает, какие слова характеризуют ту или иную тему. Другими словами, мы находим более компактное представление большого набора текстов в виде нескольких тем. С математической точки зрения тематическая модель — это еще один вид матричного разложения, где в качестве исходной матрицы выступает матрица частот слов в документах. На четвертой неделе мы поговорим о том, где применяют тематические модели, какие они бывают, как их строить и как оценивать.
14 videos, 8 readings, 2 practice quizzes
- Video: Введение в тематическое моделирование
- Video: Постановка задачи тематического моделирования
- Video: Базовые тематические модели и EM-алгоритм
- Practice Quiz: Постановка задачи и базовые понятия
- Video: Регуляризация тематических моделей
- Video: Мультимодальные тематические модели
- Reading: Слайды к лекциям
- Reading: Конспект
- Video: Внутренние критерии качества тематических моделей
- Video: Внешние критерии качества тематических моделей
- Practice Quiz: Критерии качества тематических моделей
- Video: Визуализация тематических моделей
- Video: Тематические модели на практике
- Video: Пример использования библиотеки gensim для построения тематической модели
- Reading: Ноутбук из демонстрации использования gensim
- Video: Установка BigARTM в Windows
- Video: Установка BigARTM в Linux Mint
- Video: Установка BigARTM в Mac OS-X
- Video: Пример использования библиотеки BigARTM для построения тематической модели
- Reading: Ноутбук из демонстрации использования BigARTM
- Peer Review: Тематическая модель Постнауки
- Reading: Слайды к лекциям
- Reading: Конспект
- Reading: Ваши впечатления о курсе
- Reading: Финальные титры
Graded: Тематическое моделирование-1
Graded: Тематическое моделирование
Graded: Тематическое моделирование-2
FAQs
How It Works
Coursework
Each course is like an interactive textbook, featuring pre-recorded videos, quizzes and projects.
Help from Your Peers
Connect with thousands of other learners and debate ideas, discuss course material, and get help mastering concepts.
Certificates
Earn official recognition for your work, and share your success with friends, colleagues, and employers.
Creators
Moscow Institute of Physics and Technology
Московский физико-технический институт (неофициально известный как МФТИ или Физтех) является одним из самых престижных в мире учебных и научно-исследовательских институтов. Он готовит высококвалифицированных специалистов в области теоретической и прикладной физики, прикладной математики, информатики, биотехнологии и смежных дисциплин. Физтех был основан в 1951 году Нобелевской премии лауреатами Петром Капицей, Николаем Семеновым, Львом Ландау и Сергеем Христиановичем. Основой образования в МФТИ является уникальная «система Физтеха»: кропотливое воспитание и отбор самых талантливых абитуриентов, фундаментальное образование высшего класса и раннее вовлечение студентов в реальную научно-исследовательскую работу. Среди выпускников МФТИ есть Нобелевские лауреаты, основатели всемирно известных компаний, известные космонавты, изобретатели, инженеры.
Pricing
| Audit | Purchase Course | |
|---|---|---|
| Access to course materials | Available | Available |
| Access to graded materials | Not available | Available |
| Receive a final grade | Not available | Available |
| Earn a shareable Course Certificate | Not available | Available |
Ratings and Reviews
что за трэш с грэйдером? :(
Довольно увлекательный и непростой курс
В целом- очень круто. Некоторые темы сложные , но интересные. На мой взгляд, последняя неделя проработана не очень хорошо.
Coursera provides universal access to the world’s best education, partnering with top universities and organizations to offer courses online.
© 2017 Coursera Inc. All rights reserved.
Отличный курс! Тематика и содержание полностью соответствуют аннотации. Дает достаточно глубокие теоретические и практические навыки. Формирует прочную базу для дальнейшего самостоятельного освоения предметной области.
Спасибо авторам!!!