Chevron Left
Вернуться к Введение в машинное обучение

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

4.6
звезд
Оценки: 2,402
Рецензии: 492

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:

351–375 из 476 отзывов о курсе Введение в машинное обучение

автор: Ivan K

27 мар. 2020 г.

Курс понравился, легче пошел чем аналогичный у Andrew Ng.

Сложно разбираться с математическими выкладками, много из них глубоко понять не получается.

Тем не менее, я ознакомился с базовыми алгоритмами машинного обучения, и популярными ансамблями. Очень порадовало финальное задание - было интересно и практично, давно не знал как подступиться к Kaggle.

Тема нейронных сетей очень поверхностна. Нужно дополнительную неделю-две или даже отдельный курс чтобы раскрыть эту тему полностью. Не хватает практического задания по нейронным сетям, не хватает практики по кластеризации и частичному обучению.

В целом доволен!

автор: Ivan S

13 мар. 2016 г.

Сам по себе курс хороший и нужный. Но уж очень "резво" спланирован. Указанные в описании "3-5 часов в неделю" реальны для тех, кто хорошо ориентируется в математике, знает питон и знает библиотеки, которые используются. Такому человеку, по большому счету, этот курс не особо и нужен :) А для остальных будет правильнее "3-5 часов в день".

Складывается ощущение, что цель курса не столько обучение, сколько отбор.

Все же, я постараюсь его пройти. Авторам курса огромное спасибо - очень помог сориентироваться в новом для меня вопросе, понять что к чему и куда двигаться дальше.

автор: Ellina

17 мар. 2016 г.

Плюсы

Русская локализация.

Строгий математический фундаментальный подход к подаче материала. Это усложняет курс, но затрагивает некоторые моменты в данной области, которые не затрагиваются в других курсах.

Практические рекомендации при решении как тренировочных, так и настоящих задач.

Минусы

Достаточно высокий порог вхождения.

Лектор занимает половину слайда и отвлекает. Стандартом в MOOC(и более грамотным с точки зрения восприятия информации онлайн) считается подход, когда лектора нет на видео, но есть материал, и "живые рукописные" заметки для пояснения части материала.

автор: Yulia K

28 сент. 2016 г.

Спасибо за познавательный курс!

Константин Вячеславович великолепный лектор: материал подан лаконично, но в достаточном объеме. Отличное введение, отличная сводка. Приятно видеть в курсе нормальную математику и отсутствие объяснений "на пальцах".

Для успешной сдачи programming assignments, к сожалению, не требуется глубокого понимания предмета, достаточно навыка писать несложные скрипты. На мой взгляд, эта часть могла бы быть интереснее и сложнее. Стоило включить в задания реализацию базовых алгоритмов ML, помимо использования готовых из пакетов.

Спасибо!

автор: Alexey E

16 мая 2020 г.

Для тех кто любит классическую русскую школу Машинного обучения. Для старта желательно знать основы и терминологию линейной алгебры и мат.анализа. Но в принципе уровень практических заданий не особо высокий. "Действительно введение" . На каждое практическое занятие придется отправлять от 1 до 5 (кажется больше не было) текстовых файлов с одним ответом в файле!!! Идея с проверкой финальной работы самими студентами - экзотика. Особо в курс создатели не вкладывались. Но тому кто ищет знания - тот их здесь найдет.

автор: Anton

22 сент. 2017 г.

Хороший курс. Можно в сжатые сроки познакомится с темой, даже заинтересоваться и заодно освоить Python. Суровой математики здесь ждать не надо, но наверно оно и к лучшему, все таки курс не зря называется "Введение". Замечательные лекторы - их было приятно слушать. А вот задания к сожалению к 6 неделе надоели, потому что сложнее не становились или просто не отличались разнообразием. Хотя финальный проект был интересный - решение дать игрушечное задание, но на реальных данных, явно было удачным.

автор: Viktor F

1 мая 2020 г.

курс приятный, но не всегда понятно, о чем в данный момент говорится.

к примеру, не всегда понятно объяснена математика - а объяснение "на пальцах" не до конца разжевано, в итоге получается недорассказанность, которую приходится выковыривать где-то на других ресурсах (благо, ссылки на них предоставляются)

субтитры явно писались машиной (это очень заметно на последних двух неделях) :)

в целом, курс приятный, стабильно слушается на скорости 1.25. Интересные задания, отзывчивый форум.

This is good!

автор: Ivan K

24 февр. 2016 г.

Хорошая обзорность курса. Очень компактное представление. Качественная запись лекций.

Есть проблемы с соблюдением компромисса между углублением в детали и обзорностью курса. Ведь по сути дела это вводный курс. Так большая часть математики не проходит в практических заданиях. И не понятно зачем тогда она нужна: все равно студенты забудут это сразу после лекции. Было бы лучше уделить внимание более глубокому сравнению тонкостей различных методов на практике.

автор: Alexander K

16 апр. 2018 г.

Сам курс очень понравился, но немного смазывают картину задания - в курсе рассказывается про математическую основу, а в заданиях идет применение конкретного пакета на Python причем по большому счету в режиме черного ящика. Хотя в описании стоит "Очень желательно знать Python", по факту знать его строго необходимо для прохождения курса (вариант - учить в параллель, но тогда будьте готовы что у вас это будет занимать больше заявленных 3-5 часов в неделю)

автор: Maksim H

11 февр. 2017 г.

Очень сложный курс из-за большой плотности материала. Очень мало времени и заданий на усвоение теории. И фактически теория оторвана от практики. Не чуствуется связи теории и практики. У меня не получилось их связать. Те вещи которые я знал, были понятны. То что не знал, ищу в других местах. В целом обучение напоминает техникум: главное не теория и ее понимание, а набор инструментов. С другой стороны похожих курсов на русском практически нет.

автор: Клочко А С

6 июня 2020 г.

Курс очень хороший, приходится ломать голову, чтобы понять теорию, по несколько раз пересматривать, но всё это понять нужно. С заданиями надо ломать голову ещё сильней, и они составлены ужасно, всегда приходится что-то делать не так, как в инструкции, чтобы выполнить его, встречаются противоречия, некоторые указания просто не работают на практике. Иногда без захода в обсуждения вообще непонятно как его делать.

автор: Nikita S

15 мар. 2016 г.

Платформа курсеры это просто ужас. Все недостатки этого курса происходят именно от платформы. В самом курсе много полезных материалов. Слишком, на мой взгляд, много математической информации, которую можно обобщить до смысла параметров оптимизации и регуляризации и способа работы моделей. Получил много практических навыков работы с данными, с Ipython notebook и python вообще. Советую для начинающих.

автор: Александр

10 февр. 2016 г.

Присоединяюсь к критиканам особенности подачи материалов курса.

Сначала думал, что мне не хватает математической подготовки, но когда прослушал ролик про прекрасно знакомую мне логистическую регрессию, понял, что проблема не в математической подготовке, а в стиле подачи лектора.

Спасибо за курс, но в будущем, пожалуйста, делайте объяснения более интуитивными, со схемами, объяснением сути и примерами.

автор: Улбутова В

30 июня 2020 г.

Формулировка заданий требует переделки. Для новичков нужно более точные формулировки, что нужно сделать и к какому ответу они должны прийти. Финальное задание нужно дать в двух вариантах: не все играют в Dota и трудно анализировать и обрабатывать данные не имя достаточного опыта. Также в финальном задании используется функция ix , от которой уже отказались - нужно переделать, а то путает

автор: Igor K

13 февр. 2018 г.

Практическая часть в этом курсе отличная, а вот с теорией, на мой взгляд, получилось не очень. Может быть, я такой тупой, но мне показалось, что всё рассказывалось кратко и при этом очень обобщённо. И поэтому сложность была запредельная. ИМХО, для "введения" такой подход не самый лучший. Предпочёл бы смотреть "полные" варианты этих видео из курса ШАД, чтобы как-то разобраться в вопросе.

автор: Голубев К О

13 июля 2017 г.

Отличный курс с замечательными примерами, позволяющими на практике попробовать методы, о которых было рассказано в лекциях.

К недостаткам курса хотелось бы отнести излишнюю сжатость в изложении того, как требуется выполнять то или иное задание, из-за чего пришлось потратить немало времени, прежде чем многие из них стали работать правильно.

автор: Кирьян Я

2 апр. 2021 г.

Слишком сложная и редко демонстрируемая на практике теория в лекциях, приходится тратить много времени сверх лекции на понимание материала в ней. Стоит выделить больше времени в лекции подходам, помогающим на практике понять, какие методы лучше применять и от чего это зависит, как разные методы по-разному решают конкретные кейсы и почему.

автор: Алексей А С

26 авг. 2018 г.

Наверное хорош для ознакомления. Хотелось бы услышать какие технологии будут более востребованы в ближайшие годы. На что сделать упор. Без подглядывания в учебник математики трудно уловить мысль. Трудно связать лекцию с кучей математики с реализацией на алгоритмов на pyton. Возможно большая часть замечаний отпадет с опытом. Посмотрим...

автор: Yury K

17 февр. 2016 г.

Отдельно теория и практика хороши. Но они не особо связаны.

В теоретической части я добавил бы еще больше наглядных примеров. В практической - более жизненные данные. Во многих примерах данные были синтетические.

И самое главное - не хватает "лабораторных работ", в которых инструктора показывали бы, как чем пользоваться.

автор: Сметанина Ю С

28 окт. 2017 г.

Очень понравился курс, ничего не понимала раньше в машинном обучении, этот курс здорово помог, но была не очень доступная теория, не так легко было понимать все формулы, которые быстро переключались на слайдах, но практика была супер, прям интересные задания и как раз для новичка, спасибо всем организаторам :)

автор: Titov A

8 мар. 2016 г.

Сухую математику, причем иногда очень нетривиальную, нужно разжевывать на примерах. Это хорошо получалось у Соколова. Что качается заданий: работа с sklearn очень полезна, но задания были бы еще полезнее, если бы в них нужно было бы реализовывать некоторые алгоритмы из лекций самостоятельно.

автор: Шведун И А

15 янв. 2018 г.

Классный курс, море математики и объяснений, но это далеко не для новичков. Как минимум, проходящий этот курс человек должен хорошо представлять хотя бы на словах действия и особенности разных алгоритмов, а этот курс поможет понять данные методы глубже через математику.

автор: Vladimir I

1 авг. 2017 г.

Хорошо подобраны задания (числовые, категориальные признаки, работа с текстом, и, даже, картинками).

Если дойти до конца, то должен сформироваться неплохой багаж примеров о том, как проводить обучение моделей. Так же можно прокачать навыки владения scikit-learn и pandas.

автор: Матиенко А П

2 апр. 2020 г.

Больше всего на этом курсе мне понравилась то, что есть практика. Она очень важна и спасибо, что вы ее предоставили.

Видеоуроки было трудно освоить. Хотелось побольше примеров кода, чтобы лучше понимать.

А в целом, очень интересно и познавательно!

Спасибо!

автор: Низамова И А

5 мар. 2018 г.

Мне кажется, что если бы лекции из последнего блока были в начале курса, лично мне было бы проще. Ну и вообще лекции довольно тяжело слушать, особенно сначала. Задания интересные, и понимание того, что нужно делать приходит уже после выполнения заданий.