Об этом курсе
4.6
Оценки: 1,686
Рецензии: 326
100% онлайн

100% онлайн

Начните сейчас и учитесь по собственному графику.
Гибкие сроки

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.
Часов на завершение

Прибл. 35 часа на выполнение

Предполагаемая нагрузка: 7 недель исследования, 3-5 часов / неделю...
Доступные языки

Русский

Субтитры: Русский...

Приобретаемые навыки

Python ProgrammingMachine Learning (ML) AlgorithmsMachine LearningPandas
100% онлайн

100% онлайн

Начните сейчас и учитесь по собственному графику.
Гибкие сроки

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.
Часов на завершение

Прибл. 35 часа на выполнение

Предполагаемая нагрузка: 7 недель исследования, 3-5 часов / неделю...
Доступные языки

Русский

Субтитры: Русский...

Программа курса: что вы изучите

Неделя
1
Часов на завершение
5 ч. на завершение

Знакомство с анализом данных и машинным обучением

Добро пожаловать! В первом модуле курса мы расскажем о задачах, которые решает машинное обучение, определим базовый набор понятий и введем необходимые обозначения. Также мы расскажем про основные библиотеки языка Python для работы с данными (NumPy, Pandas, Scikit-Learn), которые понадобятся для выполнения практических заданий на протяжении всего курса....
Reading
5 видео (всего 57 мин.), 4 материалов для самостоятельного изучения, 2 тестов
Video5 видео
Формальная постановка задачи машинного обучения14мин
Примеры применения машинного обучения — 110мин
Примеры применения машинного обучения — 213мин
Проблема переобучения. Методология решения задач машинного обучения.15мин
Reading4 материала для самостоятельного изучения
Приветствие и вводная информация10мин
FAQ10мин
Python для анализа данных10мин
Работа с векторами и матрицами в NumPy10мин
Quiz1 практическое упражнение
Основные понятия машинного обучения8мин
Часов на завершение
4 ч. на завершение

Логические методы классификации

Логические методы делают классификацию объектов на основе простых правил, благодаря чему являются интерпретируемыми и легкими в реализации. При объединении в композицию логические модели позволяют решать многие задачи с высоким качеством. В этом модуле мы изучим основной класс логических алгоритмов — решающие деревья. Также мы поговорим про объединение деревьев в композицию, называемую случайным лесом....
Reading
4 видео (всего 35 мин.), 2 тестов
Video4 видео
Алгоритм построения решающего дерева6мин
Обработка пропусков. Достоинства и недостатки решающих деревьев.8мин
Способы устранения недостатков решающих деревьев12мин
Quiz1 практическое упражнение
Решающие деревья4мин
Неделя
2
Часов на завершение
7 ч. на завершение

Метрические методы классификации

Метрические методы проводят классификацию на основе сходства, благодаря чему могут работать на данных со сложной структурой — главное, чтобы между объектами можно было измерить расстояние. Мы изучим метод k ближайших соседей, а также способ его обобщения на задачи регрессии с помощью ядерного сглаживания....
Reading
4 видео (всего 34 мин.), 3 тестов
Video4 видео
Метод окна Парзена8мин
Метрические методы классификации в задаче восстановления регрессии9мин
Обнаружение выбросов6мин
Quiz1 практическое упражнение
Метрические методы4мин
Часов на завершение
4 ч. на завершение

Линейные методы классификации

Линейные модели — один из наиболее изученных классов алгоритмов в машинном обучении. Они легко масштабируются и широко применяются для работы с большими данными. В этом модуле мы изучим метод стохастического градиента для настойки линейных классификаторов, познакомимся с регуляризацией и обсудим некоторые тонкости работы с линейными методами....
Reading
5 видео (всего 31 мин.), 2 тестов
Video5 видео
Градиентные методы численной минимизации и алгоритм SG5мин
Алгоритм SAG3мин
Метод стохастического градиента. Достоинства и недостатки.10мин
Проблема переобучения5мин
Quiz1 практическое упражнение
Линейные методы и градиентный спуск6мин
Неделя
3
Часов на завершение
10 ч. на завершение

Метод опорных векторов и логистическая регрессия

Линейные методы имеют несколько очень важных подвидов, о которых пойдет речь в этом модуле. Метод опорных векторов максимизирует отступы объектов, что тесно связано с минимизацией вероятности переобучения. При этом он позволяет очень легко перейти к построению нелинейной разделяющей поверхности благодаря ядровому переходу. Логистическая регрессия позволяет оценивать вероятности принадлежености классам, что оказывается полезным во многих прикладных задачах....
Reading
5 видео (всего 38 мин.), 5 тестов
Video5 видео
Метод опорных векторов. Обобщение для нелинейного случая8мин
Логистическая регрессия6мин
Пример применения логистической регрессии5мин
Регуляризованная логистическая регрессия2мин
Quiz2 практического упражнения
Особенности метода опорных векторов6мин
Логистическая регрессия4мин
Часов на завершение
4 ч. на завершение

Метрики качества классификации

В машинном обучении существует большое количество метрик качества, каждая из которых имеет свою прикладную интерпретацию и направлена на измерение конкретного свойства решения. В этом модуле мы обсудим, какие бывают метрики качества бинарной и многоклассовой классификации, а также рассмотрим способы сведения многоклассовых задач к двухклассовым....
Reading
3 видео (всего 31 мин.), 2 тестов
Video3 видео
Метрики качества классификации — 212мин
Многоклассовая классификация7мин
Quiz1 практическое упражнение
Метрики качества классификации6мин
Неделя
4
Часов на завершение
3 ч. на завершение

Линейная регрессия

В этом модуле мы изучим линейные модели для регрессии и обсудим их связь с сингулярным разложением матрицы "объекты-признаки"....
Reading
3 видео (всего 23 мин.), 1 тест
Часов на завершение
3 ч. на завершение

Понижение размерности и метод главных компонент

В прикладных задачах часто возникает потребность в уменьшении количества признаков — например, для ускорения работы моделей. В этом модуле мы обсудим подходы к отбору признаков, а также изучим метод главных компонент, один из самых популярных методов понижения размерности....
Reading
1 видео (всего 14 мин.), 1 тест

Преподавателя

Avatar

Константин Вячеславович Воронцов

Профессор
Факультет компьютерных наук НИУ ВШЭ, Школа анализа данных Яндекса
Avatar

Evgeny Sokolov

Senior Lecturer
HSE Faculty of Computer Science

О National Research University Higher School of Economics

National Research University - Higher School of Economics (HSE) is one of the top research universities in Russia. Established in 1992 to promote new research and teaching in economics and related disciplines, it now offers programs at all levels of university education across an extraordinary range of fields of study including business, sociology, cultural studies, philosophy, political science, international relations, law, Asian studies, media and communications, IT, mathematics, engineering, and more. Learn more on www.hse.ru...

О Yandex School of Data Analysis

В Школе анализа данных в течение двух лет студенты осваивают машинное обучение, компьютерное зрение, анализ текстов на естественном языке и другие направления современных компьютерных наук. Эти предметы обычно не входят в университетские программы, но при этом пользуются огромным спросом в отраслях, где уже применяются наукоёмкие информационные технологии. Некоторые выпускники Школы попадают на стажировку в Яндекс, где применяют только что полученные знания....

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.

  • Оплатив сертификацию, вы получите доступ ко всем материалам курса, включая оцениваемые задания. 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.

Остались вопросы? Посетите Центр поддержки учащихся.