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
звезд
Оценки: 2,288
Рецензии: 460

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
24 сент. 2018 г.

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

DD
9 февр. 2016 г.

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:

376–400 из 446 отзывов о курсе Введение в машинное обучение

автор: Ted K

29 авг. 2017 г.

Теория тяжела без высшего математического/опыта в индустрии, но практические задания хорошие.

автор: Alexey K

8 мар. 2016 г.

Too complex lectures for novices, too easy assignments for experienced python programmers.

автор: Stanislav Z

6 янв. 2018 г.

Хороший курс, дает начальное представление о предмете и побуждает двигаться дальше :)

автор: Anton V

22 февр. 2016 г.

Thank you for this course. It helps me learn a lot of interesting about Data Science.

автор: Novoselov D

10 июля 2017 г.

Целевая аудитория не определена. Курс плавает по уровню от лекции к лекции.

автор: Ваня М

4 сент. 2017 г.

Все круто, но заданий по нейронкам хотя бы на базовом уровне не хватает

автор: Andrey M

21 апр. 2016 г.

Спасибо! за прекрасно проведенное время и знания которые я получил =)

автор: Ольга Э

13 сент. 2018 г.

Увы, у меня нет математической основы для прохождения курса

автор: Konstantin S

31 июля 2017 г.

Несомненно полезный курс для новичков в машинном обучении.

автор: Nikita C

10 дек. 2017 г.

Okay-ish курс для начинающих

Но в целом, мне понравилось

автор: Гончаров А С

30 янв. 2016 г.

К сожалению пока не хватает практических примеров.

автор: Philipp K

8 мар. 2016 г.

Хороший курс, но мало связи теории и практики.

автор: Totyshev Y I

26 мая 2018 г.

Сложно для новичка и очень много сухой теории

автор: Evgeniy P

21 мар. 2016 г.

Not bad for introduction in Machine Learning

автор: Mark O

26 июля 2017 г.

Теории невероятно больше чем практического

автор: Алексин А А

23 янв. 2018 г.

спасибо за такой обучающий вводный курс)

автор: Oleg

10 нояб. 2016 г.

Explanations are not always transparent.

автор: Leonid B

11 сент. 2016 г.

Вполне пристойное введение в предмет.

автор: Vladimir M

18 дек. 2016 г.

Теория немного оторвана от практики

автор: Шубин Н Ю

3 сент. 2018 г.

Спасибо! Было познавательно.

автор: Anton R

30 янв. 2016 г.

Порог входа очень большой.

автор: Рыжов М С

14 февр. 2016 г.

Some problems with tasks.

автор: Сидоров К О

13 сент. 2020 г.

Не для новичков такое.

автор: Pavlov A

17 авг. 2016 г.

Good intro

автор: Alexey K

15 мар. 2017 г.

В целом не плохой курс, дает представление о машинном обучении. Охватывает много тем, один из немногих на русском языке. Очень понравился финальный проект на реальных данных. Большой недостаток курса проявляется еще до его начала - это неточное описание сложности, слишком мягкие требования к слушателям. Читаем: "нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах. Для выполнения практических заданий потребуются базовые навыки программирования." На самом деле математика в курсе явно не для человека который просто "знает об основных понятиях", в этих понятиях надо хорошо разбираться, чтобы не возникло проблем с пониманием теоретической части. Базовых навыков программирования вам так же не хватит, придется осваиваить все на ходу.

Что еще не понравилось:

По теории - её очень много, но она вообще не используется в практических задания. В практике почти везде используются готовые библиотеки, использование которых возможно вообще без тех знаний, что даются в лекциях. Лекции читаются в типичной университетской манере, когда лектор уверен в достаточности знаний у аудитории, идет по материалу быстро, не вдаваясь в глубокие разъяснения. Именно слушать такие лекции смысла не много, с тем же успехом их можно было просто выложить в виде мини-учебника вместе со слайдами, эффект был бы тот же.

По практике - в лекциях не ни слова по практике на Python, выполняя практические задания придется ориентироваться только на не всегда полные текстовые описания и все время читать документацию по библиотекам языка (sklear, pandas, numpy). Из-за этого задания, оцененные на 3 часа выполнения, превращаются во все 9 часов, а по началу и более, пока вы не освоите язык и не накопите кодовую базу, куски из которой позже можно будет использовать повторно.

Если вы хорошо знаете высшую математику на уровне 2-3 курса технического вуза, вы не новичек в программирование, то этот курс для вас. Конечно, курс можно протий и так, но часть теории останется для вас загадкой, а на практику вы потратите в разы больше заявленного врмени.