Chevron Left
Вернуться к Введение в машинное обучение

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

4.6
звезд
Оценки: 2,334
•
Рецензии: 473

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
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.

AG
7 мая 2020 г.

Очень познавательно. Понравилось. Интересные задачи. Хорошие обсуждения на форуме. Надо попотеть. Спасибо создателям. Больше примеров вместо сухой теории было бы вообще шикарно.

Фильтр по:

451–457 из 457 отзывов о курсе Введение в машинное обучение

автор: Мейстерсон А А

•
22 окт. 2020 г.

Плохо составлен курс, нет достаточного количества объяснений с примерами. Лекции не соотносятся с практическими заданиями, пояснения отсутствуют. Не знаю, для какого уровня студентов он подходит: для новичков совсем нет начальной теории, для уже умеющих хоть что-то нет пояснений зачем все это используется, профессионалы такие методы уже не используют. Очень жаль потраченного времени и нервов.

автор: Igor K

•
23 февр. 2016 г.

Лекции плохого качества. Преподаватель перечитывает неадаптированный материал в сухой форме. Стоит получиться у профессоров Ng, Abu Yasser Mustafa, Bertserkas - как стоить делать научно-популярные курсы.

Имхо данному преподавателю стоит улучшить свой подход к преподаванию. Одного имени не достаточон для хорошего курса

автор: Данил С

•
27 янв. 2018 г.

Очень сложно.

Никаких объяснений в лекции, сплошной гугл. Без предварительных знаний инструментов, просто тыканье в темноте с ограничением по времени. В итоге - трата времени неподготовленных учеников. Категорически не рекомендую, тем кто совсем не в теме.

автор: Дмитрий М Д

•
10 февр. 2018 г.

Не разъяснили для кого курс. Нужно было установить требования к уровню знаний до начала курса.По сравнению с Andrew Ng, мало что понимаю сразу.

автор: Alexander L

•
2 дек. 2016 г.

Осторожно! Данный курс может отбить все желание заниматься машинным обучением! Лучше пройдите курс от Andrew Ng

автор: Ларкин В П

•
11 янв. 2020 г.

Система не принимает правильные ответы на тестовые задания.

автор: Вилькин-Кром Н

•
2 мая 2019 г.

мо4а

Coursera Footer

Лучшие онлайн-курсы

Лучшие онлайн-специализации

Сертификаты онлайн

Программы получения онлайн-дипломов

Coursera

Сообщество

Еще

Учитесь, где угодно
Загрузить из App StoreЗагрузить в Google Play