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:

376–400 из 476 отзывов о курсе Введение в машинное обучение

автор: Александр Х

4 мар. 2020 г.

Хороший курс, позволяет получить реальное представление об машинном обучении. Однако практическая часть выполнена не слишком хорошо, вам придется самостоятельно искать большую часть информации, которая необходима для решения практических заданий.

автор: Peter Z

17 мар. 2016 г.

Курс хороший. Правда я не уверен, что он подходит для новичков. В лекции иногда слишком много формул, которых не объясняют на пальцах, может их лучше тогда совсем не давать. Хотелось бы, чтобы итоговый проект имел более практическое применение.

автор: Alexander P

14 мар. 2016 г.

Лекции дают хороший краткий обзор математики стоящей за алгоритмами. Домашние работы представляют список инструкций какой метод sklearn в каком порядке вызвать для того что бы получить осмысленный результат.

Финальное задание хорошо очень.

автор: Maksim A

7 мая 2020 г.

Отличный курс для знакомсква с миром машинного обучения! Но для того, чтобы хорошо понять материал и выполнить задания требует некоторых знаний программирования в Python и знания линейной алгебры. Рекомендую в качетсве начального курса.

автор: Федоров П А

25 нояб. 2018 г.

Неплохой курс, но теория не сильно соотносится с практикой. Не понимаю зачем было во 'введение' впихивать так много математики, которая только запутает новичка. Практические задачки интересные и не сложные, если знаком с Pandas и NumPy.

автор: Анатолий К

1 июля 2020 г.

Курс замечательный, мне очень понравился, просто из за того что ему уже около 5 лет, его видемо перестали обновлять, и некоторые данные устарели, но с помощью форума с этим можно справиться. В целом, курс замечательный, реально вводит

автор: Adel

20 мар. 2017 г.

Фундаментальный курс, из-за этого многое тяжело воспринимается. Довольно мало наглядности. Тем не менее, материал доступен и понятен. Почти всегда. Заставит тех, кто не знает питон, выучить его и начать пользоваться.

Спасибо авторам!

автор: Georgii V

30 авг. 2019 г.

Теоретическая часть рассказана превосходно и дает понимание как вообще работает машинное обучение. Единственное, неплохо было бы актуализировать практические задания по программированию до питона3 и новых версий библиотек.

автор: Konstantin V

17 мар. 2017 г.

https://medium.com/@CV89/%D0%B2%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5-%D0%B2-%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5-%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5-coursera-5e3fcc44d95f#.uucovnf1a

автор: Kirill L

28 февр. 2016 г.

Интересные задания, показано много инструментов и библиотек Python для ML. Немного не согласованные лекции с более высоким порогом входа, чем задания. Но в целом отличный толчок дальше погружаться в эту область.

автор: Артем Р

30 мар. 2019 г.

В целом неплохое введение в машинное обучение и использование питона для этих задач. Мне понравилось. Ролики с теорией в таком виде практически не воспринимаются, я уже забыл практически все, что в них было.

автор: Dmitry G

10 мая 2016 г.

Хорошое наполнение математикой (в отличие от Andrew Ng).

Из минусов:

-Ничего толком не рассказано про нейронные сети

-Задания слишком легкие

В целом, курс очень хорош для старта изучения ML

автор: Alexander A

14 февр. 2018 г.

Отличный ознакомительный курс! К сожалению нет практических заданий на глубинное обучение.

Great course! Unfortunately it does not contain deep learning practical assignments.

автор: Иванов А Ю

10 мая 2019 г.

Спасибо большое, курс мне очень понравился, он дает очень много полезной информации.

Пожалуй единственный минус для меня - это некоторый разрыв между теорией и практикой.

автор: Kirill Z

10 мая 2018 г.

Хороший курс, позволяет понять азы машинного обучения. Мне не хватало навыков программирования в Питоне, по-этому некоторые задания выполнялись медленнее чем могли бы.

автор: Kyrylo K

21 мар. 2016 г.

Я бы не сказал что это вводный курс, думаю что для начала можно послушать курс от Andrew Ng. Зато не плохое введение в инструменты для машинного обучения на Python.

автор: Чернышев А В

1 дек. 2019 г.

Мало наглядных примеров в лекциях, что усложняет восприятие.

Мало примеров реализации на python, много приходилось искать, т.к. опыта работы с python не было

автор: Сергей П

9 авг. 2020 г.

Немного странный формат сдачи заданий на программирование, а также нет заданий на программирование по нейросетям. В остальном курс очень хороший!

автор: Гудиев А

18 дек. 2017 г.

Хороший курс. Местами много теории, мне кажется, которая потом не используется в практических заданиях. Но мне все равно понравилось. Спасибо!

автор: Stanislav A

15 февр. 2016 г.

difficult for beginners

the authors don't explain many necessary things

it is useful only for students with the basic knowledge (math, physics)

автор: Norov A M

17 янв. 2020 г.

Отличный курс. Есть рекомендация сделать видеобъяснения от профессора более простыми, т.к это введение для начинающих специалистов

автор: Valery M

20 авг. 2018 г.

Cлишком много "простой" теории в лекциях, отсутствуют практические замечания. Домашние задания и финальный проект порадовали.

автор: Polina B

19 авг. 2020 г.

Нужно больше практики. Лекции про то, как кодить, например, - их очень не хватало. Но не помешали бы и задания на теорию.

автор: Журавлев П

4 мая 2020 г.

Хороший курс, но я бы еще добавил пару заданий по самостоятельному написанию простеньких алгоритмов машинного обучения.

автор: Andrey Z

17 июля 2019 г.

Some lessons are too math-detailed. It would be better to introduce more realistic examples to explain ideas behind