Chevron Left
Вернуться к Введение в машинное обучение

Отзывы учащихся о курсе Введение в машинное обучение от партнера Национальный исследовательский университет "Высшая школа экономики"

4.6
звезд
Оценки: 2,257
Рецензии: 451

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

AL

Sep 25, 2018

Понравилось отсутствие "разжевывания" материала, короткие и информативные видео-лекции, довольно интересные задания. Курс дал начальное понимание основных принципов и направлений в ML.

DD

Feb 10, 2016

Спасибо за курс. Хороший материал. Отличные задания.\n\nЕсть желание пройти курс "Практическое машинное обучение" с большим количеством примеров и практик от авторов этого курса.

Фильтр по:

201–225 из 436 отзывов о курсе Введение в машинное обучение

автор: Viktoria V

Oct 09, 2019

Проходила курс ради практики. Она тут шикарно разобрана)

автор: Лацков А В

May 12, 2020

Курс оказался не таким простым как сначала показалось)

автор: Дарья В Ш

Mar 21, 2019

Очень понятно объясняется материал, полезные задания.

автор: Anatoliy S

Nov 19, 2017

Не все формулировки в заданиях понятны, но жить можно

автор: Alexander F

Sep 09, 2019

Great coverage of basic knowledge for ML algorithms.

автор: Алексей Н

Jan 14, 2018

Балдёж, лучшее, чем я занимался в своей жалкой жизни

автор: Баранов М А

Apr 13, 2016

Отличный курс, полезно, интересно, понятно. Спасибо.

автор: Chesalin A

May 05, 2016

Nice course, thank you, authers!

Chesalin Alexander

автор: Евгений

Mar 29, 2016

Отличный курс!

Введение в Python не было бы лишним.

автор: Eugene M

Jul 07, 2017

Отличный курс, дает хорошее понимание что такое ML

автор: Konstantin T

Mar 11, 2016

Отличный курс. Очень хорошие практические задания.

автор: Трегубов А В

Mar 17, 2019

все должны пройти этот курс, прекрасно для начала

автор: Alexey P

Feb 14, 2016

Сложно и интересно. Мне важно видео со субтитрами

автор: Ваганов Н

Jun 03, 2019

Спасибо Константину Воронцову за чудесные лекции

автор: Лунёв А Ю

Dec 02, 2017

Спасибо большое, особенно за практическую часть!

автор: Дубинич А И

May 31, 2017

Прекрасный курс дающий базовые понятия и навыки!

автор: Орлов А В

Apr 29, 2019

Отличный курс для введения в Машинное обучение.

автор: Alexey T

Apr 04, 2016

Классный курс, отлично дополняет курс Andrew Ng

автор: Valentin

Mar 12, 2016

Очень хороший вводный курс в машинное обучение.

автор: Винокуров М В

Feb 09, 2016

У преподавателя речь очень грамотно поставлена.

автор: Шаланкин М Д

Apr 08, 2019

Отличный курс для введения в основные понятия.

автор: Рычков А Ф

Oct 14, 2018

Спасибо. Насыщенный курс, даже для "введения".

автор: Daniel

Jul 27, 2017

Хорошее введение в основы машинного обучения.

автор: Фатуллаева А В к

Oct 05, 2019

Спасибо за такое замечательное приложение!!!

автор: Vladimir Y

Mar 20, 2019

Понравилось делать руками градиентный спуск.