Chevron Left
Вернуться к Введение в машинное обучение

Отзывы учащихся о курсе Введение в машинное обучение от партнера Национальный исследовательский университет "Высшая школа экономики"

4.6
Оценки: 2,011
Рецензии: 375

О курсе

Не так давно получил распространение термин «большие данные», обозначивший новую прикладную область — поиск способов автоматического быстрого анализа огромных объёмов разнородной информации. Наука о больших данных ещё только оформляется, но уже сейчас она очень востребована — и в будущем будет востребована только больше. С её помощью можно решать невероятные задачи: оценивать состояние печени по кардиограмме, предсказывать зарплату по описанию вакансии, предлагать пользователю музыку на основании его анкеты в интернете. Большими данными может оказаться что угодно: результаты научных экспериментов, логи банковских транзакций, метеорологические наблюдения, профили в социальных сетях — словом, всё, что может быть полезно проанализировать. Самым перспективным подходом к анализу больших данных считается применение машинного обучения — набора методов, благодаря которым компьютер может находить в массивах изначально неизвестные взаимосвязи и закономерности. На факультете компьютерных наук ВШЭ и в Школе анализа данных есть люди, активно использующие машинное обучение и разрабатывающие новые подходы к нему. Именно они — преподаватели этого курса. Вы изучите основные типы задач, решаемых с помощью машинного обучения — в основном речь пойдёт о классификации, регрессии и кластеризации. Узнаете об основных методах машинного обучения и их особенностях, научитесь оценивать качество моделей — и решать, подходит ли модель для решения конкретной задачи. Наконец, познакомитесь с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества. Для работы мы будем использовать реальные данные из реальных задач. Краткая программа курса: Неделя 1. Введение. Примеры задач. Логические методы: решающие деревья и решающие леса. Неделя 2. Метрические методы классификации. Линейные методы, стохастический градиент. Неделя 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации. Неделя 4. Линейная регрессия. Понижение размерности, метод главных компонент. Неделя 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети. Неделя 6. Кластеризация и визуализация. Частичное обучение. Неделя 7. Прикладные задачи анализа данных: постановки и методы решения. Слушателю нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах. Для выполнения практических заданий потребуются базовые навыки программирования. Очень желательно знать Python. Задания рассчитаны на использование этого языка и его библиотек numpy, pandas и scikit-learn. Чтобы успешно завершить курс, нужно набрать проходную сумму баллов за тесты и практические задания, а также выполнить финальный проект, посвящённый решению прикладной задачи анализа данных. Мы уверены, что этот курс будет полезен каждому, кто хочет постичь искусство предсказательного моделирования и освоить интеллектуальный анализ данных. Появились технические трудности? Обращайтесь на адрес: coursera@hse.ru...

Лучшие рецензии

AL

Sep 25, 2018

Понравилось отсутствие "разжевывания" материала, короткие и информативные видео-лекции, довольно интересные задания. Курс дал начальное понимание основных принципов и направлений в ML.

DD

Feb 10, 2016

Спасибо за курс. Хороший материал. Отличные задания.\n\nЕсть желание пройти курс "Практическое машинное обучение" с большим количеством примеров и практик от авторов этого курса.

Фильтр по:

1–25 из 359 отзывов о курсе Введение в машинное обучение

автор: Митрофанов А А

Jan 20, 2019

Курс преподается отвратно. Читается сложным языком, множество математических терминов с минимумов примеров. Не ждите никаких простых объяснений от курса. Условия заданий написаны неоднозначно, вызывают много вопросов. Этот курс будет понятен если вы уже разбираетесь, что такое машинное обучение и нейронные сети, но тогда непонятно зачем он специалисту. Рекомендую прочесть книгу "Создаем нейронную сеть", где автор практически объясняет на пальцах предметную область. Очень простая подача материала с примерами и поэтапным введением.

автор: Kuznetsov I

Oct 09, 2017

В общем случае курс на 3 с минусом.

Если Вы студент или только-что (2-3 года назад) закончили ВУЗ, то этот курс позволит освежить имеющиеся знания. Так скажем, некая шпаргалка или выжимка ключевых знаний.

Если Вы закончили институт лет 15-20 назад (как в моем случае), то это курс будет совершенно бесполезен т.к.:

1. Теория оторвана от практики. "... Вот тебе лекции. Хочешь, считай практику на листочке, а хочешь, на счетах". Утрировано, но смысл верный. Лекции совсем никак не приблежают к возможности выполнить тестовые задания (кроме теории).

2. Лекции ориентированы на подготовленного слушателя. Без знания (ну хотя бы освежить) курса линейной алгебры, статистики тут делать нечего (возможно еще что-то, разберусь, допишу).

3. Наверное я плохо слушал теорию, но у меня не сложилось понимания о том, когда и в каких случаях применять тот, или иной инструментарий. Сложилось впечатление что подход следующий "... вот тебе кувалда, молоток, пасатижы, микроскоп и погнали чинить космическую станцию. Как, что и чем забивать, разберемся на месте. "

4. Сложилось впечатление, что курс "надергали" студенты из каких то заготовок, за возможность получить зачет автоматом. Теория - хороший академический обзор. Пояснений по практике нет. Задания какие-то совсем не жизненные.

У меня пока все. Всем удачи. А я пошел осваивать азы линейной алгебры ( здесь же на курсере) .

P.s. Да, для таких как я надо все разжевывать детально.

P.p.s Подход "Щас быстро накидаем, авось прокатит" - не прокатит.

автор: Belash D

Jan 30, 2019

К сожалению, курс расстроил. Единственная причина по которой я понимал основное содержание лекций - это пройденный курс от Стэнфордского университета. Вместо понятного перехода от частного к общему на голову валится максимально абстрактная теория. Такое чувство, что курс либо делался "на отвали", либо является предельно сжатой версией более длинного курса (другие курсы от Яндекса я не проходил, но планирую это сделать). К тому же абсолютно расстроила тема финального задания. По моему личному мнению, любая, даже самая бестолковая тема гораздо интересней, чем дота. Что порадовало - это задания по программированию, в которых в достаточной, но не слишком избыточной форме предлагались хорошие инструменты, и для того чтобы их использовать, приходилось глубже познакомиться с ними, делать этакий микро-research.

автор: Jack B

Aug 11, 2017

Создалось впечатление, что у лектора цели научить, собственно, нету. Куча непонятных формул, которые не поясняются. Одним словом, выпендрёж.

автор: Aleksandr A M

Feb 10, 2018

Отличный пример того, как объяснить простые вещи максимально сложно.

автор: Гусаров Н В

Aug 31, 2018

Невероятно странная форма преподавания, которая ничему не учит кроме как пользоваться библиотеками и документацией к практическим заданиям которые слабо сочетаются с лекциями

автор: Vorobev A

May 10, 2019

Узнаю. Узнаю отечественное вузовское образование : 1)Качество лекций никого не волнует "патамушта есть книжка". Вместо объяснения сути зачитывать формулу с экрана это вообще за гранью 2)Лабораторные - отдельная дисциплина. Даже лучшее знание теоретических основ никак не поможет их выполнить. А качество "методичек" таково, что выполнить их нормально(быстро) может только тот кто уже их выполнял ранее. 3)Объяснять нормально что-то пытаются только аспиранты.

В общем, по мне так, курс преотвратный. Зачем понадергали какие-то ошметки теории в эти "лекции" , абсолютно не связанные с практическими заданиями, совершенно не ясно. По сути, лекций последней недели для целей "введения" - предостаточно. С "введением" вообще анекдот - чтобы за установленное время со всем этим разобраться нужно уже "быть в теме" и давно. Основы уже должны быть понятны.

Для тех, кто решился : 1) Про Pyton тут ни слова, не помогут, изучать придется самостоятельно с нуля, если ранее с ним не имели дела 2) Курс устарел, версии предлагаемых к использованию библиотек шагнули вперед(зато узнаете чем синтаксис pyton 2 отличается от pyton 3, хе хе... 3) Для новичков будет сложно т.к. 90% лекций курса не для новичков

P.S. Я не понимаю для кого этот курс. Варианты : для студентов Воронцова или желающих поработать в Яндексе(в финальном задании приглашают). Сама тема то не сложная. Сложной ее делает бездарное преподавание.

P.P.S. Курс я завершил на 100%, если что, не бросил

P.P.P.S А Соколов, кстати, молодец. Его объяснения самые понятные и содержательные в курсе.

автор: Kirill B

Jul 25, 2017

Дошел до третьей недели курса. В начале курса было понимание что происходит в уроках. Затем появилось очень много терминов идущих друг за другом и у меня понимания не возникает никакого. Если раньше мог пойти на википедию или в интернет посмотреть и почитать, то с третьей недели вообще не понятно что искать и что я должен был узнать из урока. Все тонкости проходятся стороной, а различная игра с формулами не объясняется вовсе.

Курс рассчитан на людей с хорошей мат. базой, которые уже много знают по теме.

автор: Yura V

Jun 04, 2016

Не хочу никого обидеть, но по моему в этом курсе все объяснялось максимально непонятным способом. Один за другим сыпалась куча неясных терминов. Несмотря на то, что я носитель русского языка, мне намного понятнее и яснее дались лекции Andrew Ng. Пусть на английском, но там хоть все ясно излагается и с конкретными примерами.

автор: Artem

Jun 11, 2019

Некачественный курс: много формул, мало примеров, объясняют простые вещи сложным языком.

автор: Anya G

Apr 11, 2019

Я получила, хорошее представление о том, что вообще такое машинное обучение, и некую начальную теор базу. Почти под любую тему есть ссылка на соответствующие полноценные написанные лекции, которые очень помогали получить более широкую картину. И самое главное были интересные и полезные практические задания.

автор: Клейн А М

Mar 24, 2019

Курс сложный, в описании сказано, что он для мамкиных гуманитариев, но нужно сильно вспомнить математический анализ, чтобы хотя бы поверхностно понимать суть лекций. В целом, пройти его нужно, если хочется попасть в Data Science и в Data Engineering (в курсе много времени уделяется подготовке данных).

автор: Nick S

Oct 25, 2017

Курс отличный! Но часто ловил себя на мысли, что многие вещи можно было проще объяснить добавив немного визуализации (графики, схемы, анимации) дополнительно в формулам

автор: Djana R

Jun 24, 2018

So, so.It is not a clear structure, no clear examples, no did with the heart.

автор: Vasiliy S

Jun 03, 2019

Ощущение, что курс рассчитан на тех, кто уже и так специалист в области. Если вы хотите научиться новому, то он не для вас. Если вы уже имеете определенный опыт в машинном обучении и хотите повторить материал (по какой-то причине), то можно послушать.

автор: Sergey Y

Nov 19, 2018

Очень хороший курс для стартового уровня. По окончании курса обретаемого уровня хватает для участия в некоторых соревнованиях Kaggle. Хорошие преподаватели, спокойный темп - я успевал за выходные. Рекомендую!

автор: Sergey B

Dec 06, 2018

Нет возможности поставить 4.5, поэтому ставлю 5.

Плюсы:

+ даётся много математики за происходящим

+ курс предполагает достаточно объёмные имеющиеся знания (не тратится время на объяснения азов)

+ рассмотрено много методов

+ материалы курса объяснены просто и доходчиво

+ даётся много практических рекомендаций или замечаний

+ субъективный плюс: заставил много гуглить и разбираться с API

Минус один, субъективный: практические задания сильно оторваны от материалов лекций. В видео рассказывается о множестве методов и внутренней логике их работы, практическое задание сводится к вызову библиотечных методов для одного метода. Только в одном задании пришлось имплементировать градиентный спуск руками, остальные задания (кроме финального) сводились к минимальной пред-обработке данных и вызову методов API.

Финальное задание крутое. Ещё понравилась возможность посмотреть на решения однокурсников и кое-чему научиться.

Мои исходные данные: подзабытые фрагментарные знания математики из университета, многолетний опыт программирования (но не на питоне), полное незнание методов машинного обучения. Мне курс очень хорошо зашёл, рекомендую.

автор: Хабиров Т Р

Dec 13, 2018

Отличный вводный курс для начинающих с нуля. После прохождения появляется представление о том, как решаются задачи машинного обучения.

автор: Балетинских А А

Feb 04, 2019

this course gave me a starting point for my self-improvement

автор: Churmantaev D M

Feb 04, 2019

Очень интересный курс. Мат.часть, конечно, тяжело воспринимается. Но практические задания - просто огонь!

автор: Pavel B

Nov 20, 2018

Memorable

Everything is perfect

автор: Anton K

Nov 26, 2018

для начала - очень неплохой курс, рекомендую

автор: Ekaterina A

Nov 13, 2018

В курсе много внимания уделяется теории, лекции мне понравились. Видно, что преподавателям интересен предмет и что они хорошо в нём разбираются. Теория опирается на математический анализ, линейную алгебру, теорию вероятностей и другие разделы вузовской математики, так что этот курс для тех, кто довольно много изучал математику в университете.

Мне кажется, перед прохождения этого круса нужно познакомиться с алгоритмами машинного обучения на более поверхностном уровне, на каких-то частных примерах, потому что здесь сразу даются концепции в очень общем виде и сразу может быть непонятно - это вообще как и зачем используется. Программирование практически полностью оставлено на самостоятельное изучение, так что перед началом курса лучше познакомиться с библиотеками для анализа данных на используемом языке программирования (например, для Python это pandas, sklearn и тд), иначе может быть очень тяжело.

То есть этот курс хоть и "введение", но не совсем для новичков.

автор: Малинкин П Б

Jan 22, 2019

Хороший курс для начинающих, кто уже достаточно знает теории, но еще не приступил к практике. Мне он очень помог, чтобы сделать первые шаги в создании скриптов по анализу данных.

Правда, есть в курсе 3-4 задачки, которые новичку будут, на мой взгляд, очень сложны. Но это заставляет искать информацию в интернете, что способствует получению больших знаний.

автор: Мезенцев Н В

Feb 13, 2019

Очень интересно, порой бывает сложно, чувствуется некая недосказанность, поэтому мне приходится параллельно смотреть на ютубе Курс «Машинное обучение» 2014, там более подробно описывается теория данного курса.