Chevron Left
Вернуться к Введение в машинное обучение

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

4.6
звезд
Оценки: 2,394
•
Рецензии: 488

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:

151–175 из 472 отзывов о курсе Введение в машинное обучение

автор: Веселов А

•
7 авг. 2020 г.

Практика была довольно простой, теория тоже не очень подробная, но на то оно и введение. Преподаватели замечательные!

автор: Aver N

•
24 февр. 2019 г.

Курс очень понравился. Местами теория сложновата. Но в общем и целом - все замечательно. И задания и лекции. Спасибо!

автор: Aidos A

•
11 мар. 2016 г.

Отличный курс!

Считаю, что в лекции про решающие деревья необходимо более детально разобрать аолгоритмы с пропусками.

автор: Лойко А А

•
22 июня 2020 г.

Отличный курс. Большое спасибо организаторам за подробный теоретический материал и интересные практические задания.

автор: Золотых М А

•
19 сент. 2019 г.

Отличный преподаватель. Все очень понятно, полезно и доходчиво. Юмор и примеры в лекции расставляют все по местам.

автор: Dmitrii M

•
15 мар. 2016 г.

Отличный обзор возможностей машинног обучения с небольшой практикой дающей хороший задел для дальнейшего обучения

автор: Alexei S

•
7 февр. 2016 г.

Хороший курс, но требует мат. подготовки. Приятно видеть, что преподаватели работают над его усовершенствованием.

автор: Anastasiya D

•
10 мар. 2016 г.

Курс очень понравился, хороший баланс математической строгости, доступного объяснения и практических примеров.

автор: Isakov A S

•
5 дек. 2019 г.

Интересно. Достаточно сжато и не муторно. Очень интересно смотреть дополнительные материалы. Спасибо за курс!

автор: Дубровин Л О

•
26 авг. 2017 г.

Сижу, часами читаю про математические обоснование алгоритма, который объясняют в видео за 5 минут, круть :)

автор: Artyom S

•
7 мая 2018 г.

Курс подробный и очень интересный! Потраченное на курс время окупается с лихвой, поэтому очень рекомендую!

автор: Саяпин В Ю

•
20 дек. 2017 г.

Отличный курс для изучения базовых основ машинного обучения. Идеален для тех, кто начинает изучать с нуля.

автор: Andrey N

•
7 мая 2017 г.

Отличный курс с плотной теоретической и практической программой, ориентированной на конкретные применения.

автор: Yury L

•
4 февр. 2016 г.

Good alternative for Andrew Ng course in Russian. Good level, but some difficulties with tasks submission.

автор: Churmantaev D M

•
3 февр. 2019 г.

Очень интересный курс. Мат.часть, конечно, тяжело воспринимается. Но практические задания - просто огонь!

автор: Vitalij J

•
13 сент. 2020 г.

Иногда на английском материал найти и прочитать удобнее, там более понятно все объяснено, а так супер

автор: Michael V M

•
20 февр. 2016 г.

Идеальный баланс между количеством/сложностью теории и практики. И все это в довольно разумные сроки.

автор: Anton

•
14 июня 2016 г.

Здорово cкомпонованы знания по интеллектуальному анализу данных с хорошими практическими заданиями

автор: Denis S

•
22 авг. 2018 г.

Отличный курс. Лекции тяжеловато воспринимаются без наглядных иллюстраций, но в целом - хорошо.

автор: Ivan C

•
2 авг. 2017 г.

Получил массу удовольсвия и полезной информации. Спасибо.

Очень доступно структурированній курс.

автор: Никифоров М

•
14 нояб. 2017 г.

Весьма полезный курс, в котором можно ознакомиться с основными алгоритмами машинного обучения.

автор: Кандрашев А

•
9 апр. 2020 г.

Для знакомства с ML и основами работы с пакетами pandas и skilearn достаточно хороший курс

автор: Воробьев И С

•
20 нояб. 2017 г.

Отличный курс. Идеально подходит для введения в такую сложную тему, как машинное обучение.

автор: Mikhail U

•
12 мар. 2016 г.

Очень хороший курс для практики, если у вас уже есть некоторые знания в машинном обучении.

автор: Mike K

•
29 янв. 2018 г.

Отличный курс для начинающих - доступное изложение теории и полезные практические задания

Coursera Footer

Начните карьеру или продвиньтесь по карьерной лестнице

Смотреть популярные темы

Развивайте свою команду

Получите диплом или сертификат онлайн

Coursera

Сообщество

Еще

Учитесь, где угодно
Загрузить из App StoreЗагрузить в Google Play
Placeholder