Chevron Left
Вернуться к Введение в машинное обучение

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

4.6
звезд
Оценки: 2,397
Рецензии: 490

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:

401–425 из 474 отзывов о курсе Введение в машинное обучение

автор: Васильченко Ю В

18 мая 2020 г.

Курс неплохой, но информации в лекциях зачастую недостаточно для выполнения практических работ

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: Стас З

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: Арсений Г

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