Chevron Left
Вернуться к Введение в машинное обучение

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

4.7
звезд
Оценки: 2,214
Рецензии: 437

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

Jun 15, 2016

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

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.

Фильтр по:

176–200 из 421 отзывов о курсе Введение в машинное обучение

автор: Vlad L

Oct 27, 2016

Everything is great! Sometimes lectures were apart from seminars and labs

автор: Минаков В

Apr 23, 2020

Курс является отличным по качеству предоставленного материала лекторами

автор: Дмитрий И

Mar 09, 2016

Мне очень понравился данный курс, спасибо создателям. Помогло в работе!

автор: Lopatina A S

May 12, 2020

Очень информативный курс, как раз подходит для введения в Data Science

автор: Yuriy M

Jan 31, 2016

Классно, полезно, с элементами самообучения, что очень важно.

Спасибо!

автор: Токарев О С

Sep 26, 2018

Отличный курс! Все по делу и много практики! Порекомендую друзьям!

автор: Maksim K

Aug 08, 2019

Everything is great!

Thanks a lot for the time and consideration!

автор: Filatov S

Apr 17, 2020

Отличный баланс теоретической информации и практических заданий!

автор: Гусев С А

Dec 26, 2019

Великолепный курс, получил много новых умений и знаний. Спасибо!

автор: Гончаров В В

Sep 05, 2019

Потрясающий курс!!! Многому меня научил. СПАСИБО создателям!!!👍

автор: Artsiom M

Jul 19, 2017

Все очень интересно и понятно изложено. Много практики. Спасибо!

автор: Maxim B

Feb 15, 2020

Отличный курс для начала погружения в тему машинного обучения.

автор: Крайнев К В

Jan 05, 2018

Отличный курс для такого небольшого объема времени

Не пожалел)

автор: Балетинских А А

Feb 04, 2019

this course gave me a starting point for my self-improvement

автор: Kirill S

Feb 21, 2019

Хороший курс для начального погружения в машинное обучение.

автор: Белобородов С В

Feb 01, 2020

Хороший стартовый курс по машинному обучению. Рекомендую.

автор: Шишло С В

May 04, 2020

Мне курс очень понравился. Большое спасибо разработчикам

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