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: 2,299
Рецензии: 466

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:

201–225 из 450 отзывов о курсе Введение в машинное обучение

автор: Крайнев К В

5 янв. 2018 г.

Отличный курс для такого небольшого объема времени

Не пожалел)

автор: Балетинских А А

4 февр. 2019 г.

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

автор: Kirill S

21 февр. 2019 г.

Хороший курс для начального погружения в машинное обучение.

автор: Белобородов С В

1 февр. 2020 г.

Хороший стартовый курс по машинному обучению. Рекомендую.

автор: Шишло С В

4 мая 2020 г.

Мне курс очень понравился. Большое спасибо разработчикам

автор: Viktoria V

9 окт. 2019 г.

Проходила курс ради практики. Она тут шикарно разобрана)

автор: Лацков А В

12 мая 2020 г.

Курс оказался не таким простым как сначала показалось)

автор: Дарья В Ш

21 мар. 2019 г.

Очень понятно объясняется материал, полезные задания.

автор: Anatoliy S

19 нояб. 2017 г.

Не все формулировки в заданиях понятны, но жить можно

автор: Andrey K

25 окт. 2020 г.

После изучения основ Питона, курс прям то, что надо!

автор: Alexander F

9 сент. 2019 г.

Great coverage of basic knowledge for ML algorithms.

автор: Алексей Н

14 янв. 2018 г.

Балдёж, лучшее, чем я занимался в своей жалкой жизни

автор: Баранов М А

13 апр. 2016 г.

Отличный курс, полезно, интересно, понятно. Спасибо.

автор: Chesalin A

5 мая 2016 г.

Nice course, thank you, authers!

Chesalin Alexander

автор: Евгений П

29 мар. 2016 г.

Отличный курс!

Введение в Python не было бы лишним.

автор: Eugene M

7 июля 2017 г.

Отличный курс, дает хорошее понимание что такое ML

автор: Konstantin T

11 мар. 2016 г.

Отличный курс. Очень хорошие практические задания.

автор: Трегубов А В

17 мар. 2019 г.

все должны пройти этот курс, прекрасно для начала

автор: Alexey P

14 февр. 2016 г.

Сложно и интересно. Мне важно видео со субтитрами

автор: Ваганов Н

3 июня 2019 г.

Спасибо Константину Воронцову за чудесные лекции

автор: Лунёв А Ю

2 дек. 2017 г.

Спасибо большое, особенно за практическую часть!

автор: Дубинич А И

31 мая 2017 г.

Прекрасный курс дающий базовые понятия и навыки!

автор: Орлов А В

29 апр. 2019 г.

Отличный курс для введения в Машинное обучение.

автор: Alexey T

4 апр. 2016 г.

Классный курс, отлично дополняет курс Andrew Ng

автор: Valentin

12 мар. 2016 г.

Очень хороший вводный курс в машинное обучение.