Chevron Left
Вернуться к Введение в машинное обучение

Отзывы учащихся о курсе Введение в машинное обучение от партнера НИУ ВШЭ

4.6
звезд
Оценки: 2,401
Рецензии: 491

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

AA
14 июня 2016 г.

Хороший курс без лишнего. Некоторые методы, предлагаемые в заданиях не оптимальны с точки зрения затрат ресурсов компьютера и времени программиста, но, надеюсь, с новыми сессиями будет развитие курса.

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.

Фильтр по:

76–100 из 475 отзывов о курсе Введение в машинное обучение

автор: Matvey S

28 янв. 2016 г.

Нравится, вызывает интерес. Удачно совмещается простота подачи материала со строгостью математических определений.

Лекции 1 недели посмотрел за один присест. Надеюсь, не растеряю своего настроя.

В любом случае, видно, что авторы очень ответственно подошли к созданию курса. За это спасибо и 5*!

автор: Захаров А Е

18 сент. 2019 г.

Полезный курс, дающий базовые представления об алгоритмах машинного обучения. Однако крайне желательно иметь базовый опыт работы с Питоном - неплохо было бы это добавить в описание курса. Я увидел Питон впервые, поэтому много времени ушло на его "изучение" вместо решения задач )))

автор: Van S

1 нояб. 2019 г.

Курс порадовал. Хоть он и для начинающих, для глубокого понимания происходящего необходимо иметь неплохую базу по математике, а если её нет, то набрать и приступать к этому курсу. Также порадовали некоторые практические задания, многие из них действительно интересно делать

автор: Pasha P

14 мар. 2016 г.

Отличный курс, но для не математиков теория воспринимается сложновато, зато есть возможность прикоснуться к "Машинному обучению" при выполнение практических заданий. Даже если теория большой частью пройдет мимо, в голове отложится общее представление о данном предмете.

автор: Roman K

14 сент. 2020 г.

Курс дает сжатое, но при этом комплексное представление о задачах машинного обучения и методов их решения. Большое количество практических заданий, в том числе финальное задание на основе реальной задачи машинного обучения. Рекомендую всем, интересующимся этой темой.

автор: Vlad

31 июля 2018 г.

Очень хороший курс, достаточно доступный, и в то же время авторы указывают на самые главные моменты существенные для понимания схем машинного обучения.

Отлично подобранны задания, и дают хорошую практическую поддержку к содержимому. Рекомендую всем пройти этот курс.

автор: Egor Z

10 дек. 2019 г.

Обалдевший курс! Немного теории + практика работы с библиотеками Python sklearn, pandas, numpy. Спасибо авторам!

Хорошо ложиться, если вы уже имеете некоторый опыт в высшей математике (особенно что касается матриц и методов оптимизации) и программировании на python.

автор: Кузнецов Н А

22 июня 2016 г.

Очень понятный курс, не перебарщивающий с упрощением материала. Домашки делаются на питоне, как в жизни. Я бы добавил во вспомогательные материалы больше тонкостей по настройке методов в питоне и общий обзор методов в картинках для интуитивного понимания

автор: Астраханцев Р Г

25 сент. 2018 г.

Несмотря на кажущуюся сложность требующейся математической базы, лекторы умело и доходчиво объясняли довольно сложные и витиеватые темы красочными и наглядными иллюстрациями, а так же приводили довольно интересные и запоминающиеся аналогии.

автор: Sergey M

9 февр. 2016 г.

Отличный курс! Особенно порекомендовал бы его как введение в библиотеку scikit-learn. Дается много полезный практических советов и рассказывается об интеренсных особенностях различных алгоритмов обучения. Спасибо, курс очень пригодился!

автор: Лазарев А В

26 окт. 2017 г.

Спасибо, курс дает навыки python (pandas, sklearn), но если не знакомы с python вообще, то лучше пройдите курс сначала в SoloLearn он займет неделю, но сильно поможет.

Методы машинного обучения стали понятны и хочется учиться дальше.

автор: Timur K

14 мая 2019 г.

Сложно понимать теоретическую часть курса (много формул, сложная нотация), практическая часть особых сложностей не вызвала. Последнее задание по времени заняло полный день, хотя в описании стоит оценка необходимого времени 2 часа.

автор: Darya L

14 дек. 2017 г.

Немного не хватает математики: объяснения всех упомянутых в курсе формул. Тем не менее, курс дает отличное базовое представление о машинном обучении, а большое количество практических заданий помогают чувствовать себя уверенней.

автор: Николай

24 апр. 2017 г.

Прекрасно. Сложно. Поначалу тяжело, потом как-то втягиваешься. Для полного понимания всего материала надо быть сильно продвинутым в математике. Задания иногда действительно не совсем соответствуют теории, это слабое место курса.

автор: Милютин В В

2 мая 2020 г.

Отличный курс для начинающих. Курс раскрывает все основные аспекты работы с данными и рассматривает как работают модели машинного обучения изнутри с математической точки зрения. Буду рекомендовать Ваш курс. Спасибо за Ваш труд.

автор: Никифоров В И

6 июня 2017 г.

Отличный курс. На входе имел приблизительные знания о программировании в Python и его библиотеках машинного обучения. На выходе сложилось целостное понимание предмета. Хотел бы подробнее узнать о нейронных сетях и их обучении.

автор: Artem B

23 окт. 2016 г.

Хороший курс для начинающих. Рассказывается все самое важное без перегрузки. Хорошие задачи для самостоятельного решения.

Хотелось бы решать задачи на кластеризацию, нейронные сети, в том числе глубокие, но этого в курсе нет.

автор: Leonid S

18 мая 2016 г.

Хорошо структурирован, просто воспринимать информацию. Можно сделать больше практических заданий, на закрепление материала; добавить задания без общих инструкций.

Не удобно сдавать задания(из-за форматирования файла в конце).

автор: Boris

14 февр. 2017 г.

Хороший курс с хорошими заданиями. Но мне как человека который не встречается с математикой каждый день немного показался сложноватым материал лекций и для того чтобы уловить некоторые вещи приходилось долго медитировать.

автор: Гридасов И И

26 июля 2017 г.

Отличный курс, иногда сложно из-за слишком формальной постановки задач, но практические задания разбавляют избыточную формальность и на выходе мы имеет, математический фундамент в теории и разработанные руки на практике)

автор: Маханьков Е И

2 июня 2019 г.

Достаточно хороший курс который дает математическое обоснование изучаемым методам машинного обучения. Курс построен так: теория - отдельно, практика - отдельно. Чтобы выполнять практические задания надо владеть Python.

автор: Филипьев А В

8 февр. 2018 г.

Курс сильно изменился с последнего моего прохождения. Стал более понятным и появились дополнительные материалы. Плюсом сыграло, что Python стал гораздо более удобным, нет больших проблем с использованием 3-ей версии.

автор: Fabio M S

22 февр. 2016 г.

Очень хороший курс! Трудные и сложные задания, так как и есть настоящие задачи в области анализа данных. Но учители всё ясно объясняют, только надо хорошо мозгами работать для того, чтобы успевать все уроки пройти.

автор: Semjon M

16 мар. 2016 г.

Мне очень понравился курс, огромное спасибо преподавателям, Яндексу и всем, кто участвовал в подготовке курса! Отдельная благодарность за математику - очень приятно размять мозг спустя 10 лет после университета.

автор: Мезенцев Н В

13 февр. 2019 г.

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.