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: 2,326
Рецензии: 471

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.

DD
9 февр. 2016 г.

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:

101–125 из 455 отзывов о курсе Введение в машинное обучение

автор: Alexey

15 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.

автор: Stan S

6 мар. 2016 г.

Отличный курс, на мой взгляд. Напомнил институт, когда надо самому думать и делать в 80%, а не просто monkey see, monkey do. Кто хочет чему-то научиться должен сам хотеть и уметь учиться. Спасибо.

автор: Anna D

30 апр. 2020 г.

Отличный курс, дает обзор основных алгоритмов и областей их применения. Хорошо сбалансированы сложность и интересность заданий - позволяет новичкам пройти курс не теряя интереса к теме.

автор: Багринцев А В

4 мар. 2016 г.

Интересная подача материала, понятные пояснения, логичная последовательность нарастания сложности курса. Как новичок, не чувствую ни недоумений, ни больших замешательств. Спасибо!

автор: Левченко Е С

14 мар. 2016 г.

Очень хороший курс! Для меня показался сложным, но практические задания крайне полезные.

После прохождения имеется возможность действительно использовать знания "на деле".

Спасибо!

автор: Агеев С

29 авг. 2017 г.

Весьма информативный курс, сочетающий в себе как теоретические, так и практические аспекты предмета. Рекомендую как одну из удачных точек входа в тематику машинного обучения.

автор: denisbalyko

10 февр. 2016 г.

Спасибо за курс. Хороший материал. Отличные задания.

Есть желание пройти курс "Практическое машинное обучение" с большим количеством примеров и практик от авторов этого курса.

автор: Alexey K

21 февр. 2018 г.

Спасибо за увлекательное приключение. Вся информация по полочкам. После окончания курса наметились несколько областей, где можно начинать пробовать приментять на практике.

автор: Roman M

31 мар. 2016 г.

Огромное спасибо за этот курс! Для меня этот курс заполнил пропасть между теоретическими вопросами и применением их на практике (например, участвуя в конкурсах на kaggle).

автор: Pavel

22 мая 2020 г.

Отличный курс! Если некоторые моменты непонятны более подробные ответы можно найти в этих лекциях https://www.youtube.com/playlist?list=PLJOzdkh8T5kp99tGTEFjH_b9zqEQiiBtC

автор: Павел М

1 июня 2020 г.

Курс очень понравился, хорошие лекторы. Хотелось бы в рамках курса попробовать написать самому какой-нибудь метод, но ничего. Еще не хватило заданий по нейронным сетям.

автор: Поликанин А С

14 июня 2020 г.

Если совсем незнакомы с Python, то будет тяжко. Курс дал основы, чтобы двигаться дальше в этом направлении, надо подтягивать линейную алгебру и теорию вероятностей.

автор: Vladyslav

23 июня 2020 г.

Отличный курс! Много теории и практики. Но иногда казалось слишком большой разрыв между ними. Поэтому не всегда получалось связывать задания с пройденной теорией.

автор: Iryna L

21 янв. 2017 г.

Спасибо большое за то, что вы делаете. Прекрасный курс с интересными задачами, по которым не тольео можно научиться, но и узнать несто новое по смежным областям.

автор: Елохин А А

22 февр. 2019 г.

Отличный курс, действительно почувствовал, что узнал что-то новое, появилась некоторая система в голове касательно методов машинного обучения. Спасибо авторам!

автор: Прошян Г

4 сент. 2019 г.

Отличный курс, но не лучший выбор курса, чтобы сделать первый шаг в ML. Курс предполагает наличие знаний по матану, материал не разжеван, нужно много гуглить

автор: Ольга К

25 нояб. 2019 г.

Спасибо преподавателям, коротко, без воды, очень полезные тесты и практические занятия. Но главное - мотивирует на дальнейшее обучение в данном направлении.

автор: Denis Z

4 дек. 2017 г.

В конце курса понял, что хочу стать настоящим мужчиной, как Воронцов Константин Вячеславович. Для меня курс стал входной дверью, т.к. курс от яникса дикий.

автор: Коноваленко И В

8 мая 2019 г.

Курс очень увлекательный, он позволил мне вникнуть в предметную область, рассмотреть основные особенности алгоритмов и установить вектор будущего развития

автор: Andrey S

9 апр. 2018 г.

Курс понравился. Очень хороший баланс между теорией и практикой, никакой воды в рассуждениях, всё по делу. И практические задания интересные. Рекомендую

автор: Nikita B

27 июля 2017 г.

Очень хороший базовый курс. Дает общее представление о принципах и методах машинного обучения, навыки работы с популярной библиотекой scikit-learn.

автор: Александр З

10 авг. 2017 г.

Курс получился достаточно насыщенным в плане обзора различных методов, но требует хорошего понимания математики, чтобы усвоить теоретическую часть.

автор: Maksim

7 февр. 2016 г.

Отличный курс. Задания впечатляют - все хорошо продумано и дает возможность разобраться как в теории, так и с пакетом (с коим дела раньше не имел).

автор: Toy J

31 мая 2020 г.

Мой первый курс на Courseara, рад что сразу так очень повезло, лекторы классные, уроки классные, появилось желание поступить в ВШЭ. Успехов Вам!

автор: Лопатин В А

22 сент. 2017 г.

Отличный курс для знакомства с темой машинного обучения и получения начального опыта программирования на Python с использованием scikit-learn.