Chevron Left
Retour à Обучение на размеченных данных

Avis et commentaires pour d'étudiants pour Обучение на размеченных данных par Institut de physique et de technologie de Moscou

4.8
étoiles
2,583 évaluations
343 avis

À propos du cours

Обучение на размеченных данных или обучение с учителем – это наиболее распространенный класс задач машинного обучения. К нему относятся те задачи, где нужно научиться предсказывать некоторую величину для любого объекта, имея конечное число примеров. Это может быть предсказание уровня пробок на участке дороги, определение возраста пользователя по его действиям в интернете, предсказание цены, по которой будет куплена подержанная машина. В этом курсе вы научитесь формулировать и, конечно, решать такие задачи. В центре нашего внимания будут успешно применяемые на практике алгоритмы классификации и регрессии: линейные модели, нейронные сети, решающие деревья и так далее. Особый акцент мы сделаем на такой мощной технике как построение композиций, которая позволяет существенно повысить качество отдельных алгоритмов и широко используется при решении прикладных задач. В частности, мы узнаем про случайные леса и про метод градиентного бустинга. Построение предсказывающих алгоритмов — это лишь часть работы при решении задачи анализа данных. Мы разберемся и с другими этапами: оценивание обобщающей способности алгоритмов, подбор параметров модели, выбор и подсчет метрик качества. Видео курса разработаны на Python 2. Задания и ноутбуки к ним адаптированы к Python 3....

Meilleurs avis

RN
20 janv. 2017

Один из лучших курсов по обучению на размеченных данных. Немного расстраивали несбалансированность сложности домашних заданий и промежуточных проверок правильности подготовки данных в заданиях.

AG
14 nov. 2019

Очень интересный и более сложный курс по сравнению с предыдущим! Но!! Хотелось бы обновлений и дополнений по нейросетям (мало информации), а также не затронут TensorFlow, что не очень хорошо!

Filtrer par :

251 - 275 sur 327 Avis pour Обучение на размеченных данных

par Artyom T

19 mars 2018

Great!

par Davronov R

24 avr. 2020

Good!

par Темирлан С

23 sept. 2017

Nice!

par Ievgenii O

13 janv. 2017

Nice!

par Горячев А И

21 nov. 2019

ТОП!

par Vladislav Z

23 mars 2019

cool

par Антон Г

4 oct. 2018

Вау!

par Цхондия Г А

21 nov. 2017

cool

par Байрамкулов А М

4 nov. 2017

Каеф

par Андрей А В

7 mai 2017

Gj

par Катя

29 juin 2016

<3

par Sergey

14 mars 2019

Overall, it's a good course.

I enjoyed the choice of topics to be covered, the structure of the course, and especially the theoretical part. A minor comment: I think, theory transcripts, tests, and programming assignments would only benefit from bringing some extra clarity. Specifically, before any equations it would be reasonable to annotate and/or briefly explain the variables; in multiple choice tests, it won't hurt to formulate the questions in a way that reduces ambiguity; in programming assignments, it would help a lot to specify what you mean exactly when you say 'dataset' (perhaps, in fine print).

A major concern is that the course developers do not keep up with Python development. It doesn't bother me at all to create a virtual environment with Python 2, and to install an obsolete version of sklearn; however, you at least have to specify the correct compatibilities. Specifically, the assignments would state that the scripts run on sklearn 0.15 and newer, but that's not true. The import specifications and function names have changed drastically shortly after v0.15. Although some (unconvincing) reasoning for using python 2 is out there, I don't see how anyone could benefit from leaning the deprecated sklearn namespace. It's especially striking given that you charge for the course.

Overall, the benefits of the theoretical part outweigh the minor points mentioned above.

I look forward to starting the following courses of the specialization.

par Вернер А И

26 juil. 2017

В целом курс очень полехный. Теоретический материал изложен очень хорошо, с большим количеством примеров, облегчающих понимание. Наличие конспектов экономит время, что тоже немаловажно. Единственное замечание по курсу - сложность заданий по программированию. На мой взгляд они зачастую являлись очень сложными, а поскольку решений этих заданий не имелось, приходилось часами, а порой и по нескольку дней, работать над каждым из них, что сильно замедляло процесс обучения и снижало мотивацию прохождения курса. Предлагаю авторам курса принять к сведению последнее замечание, и выложить в свободном доступе решения заданий, для тех обучающихся, которые затрудняются самостоятельно выполнить эту обязательную часть курса.

par Горчаков Т С

22 juil. 2020

Курс, конечно, содержательный. Дает понимание о спектре задач с учителем, о том, как предобрабатываются данные. Но из-за вялого модераторства и частичного обновления заданий легко можно обнаружить себя в ситуации, когда ты застрял на много часов с одним заданием и не понимаешь, что именно в нем не так. Возможно, все пойдет быстрее, если следить строго за версиями библиотек в каждом задании и обращаться за помощью к форуму при сколь либо долгом застревании на задаче. Но и надо быть готовым к тому, что ответ на форуме может появиться не скоро. То есть курс в целом хороший, но при прочих равных было бы удобнее найти аналогичный курс, который стартовал не так давно.

par Eugene M

5 févr. 2017

В целом курс понравился, было много интересных и сложных задач, периодически приходилось хорошенько напрягать извилины. Материалы опираются на предыдущий курс и практически не требуют постоянного гугления, что тоже плюс. Впечатление немного испортила последняя неделя. Не очень понятно, зачем было в одну неделю укладывать столько разношерстных материалов. В итоге окончание получилось сумбурным. Если бы не этот казус и немного размытые постановки задач, в которых приходится долго думать над тем, чего от тебя хочет автор, вместо того, чтобы решать задачу, то курс бы заслужил полноценные 5 баллов. А в общем-то, большое спасибо за это крутое путешествие!

par Рогозин А

9 avr. 2020

Курс вышел понятным.

Из плюсов могу выделить доступное изложение базовых методов классического машинного обучения. Такие понятные видеолекции мало где встретишь.

Из минусов курса могу выделить пятую неделю - она вышла галопом по Европам. Особенно лекции по нейронным сетям, которые не отличают информативностью. Домашнее задание с нейронными сетями пришлось с помощью танцев с бубном приводить в чувство, так как использована устаревшая библиотека и модули(

par Petr R

16 mars 2019

Такой хороший курс и так слили последнюю неделю. Сделайте уже что-нибудь с ней. Все в лучших традициях Воронцова : миллион формул на слайде, куча интегралов, выводы какие-то в две строки и "очевидные преобразования", далее задание на 5 минут, которое слабо связано с тем что происходило в лекции. Очень долго не мог закончить этот курс именно из-за этой недели, постоянно прокрастинировал её.

В итоге оценка за 1-4 неделю% 5 из 5

За 5 неделю : 1 из 5

par Ilya P

1 août 2017

Второй курс специализации Яндекса (по ИИ) оставил противоречивые впечатление. С одной стороны, сделать продукт такого качества совсем не просто, и в русскоязычном пространстве вряд ли найдется более качественная специализация по ML. С другой стороны, подход Физтеха порой чересчур академичен, да и не расскажешь все за одну специализацию. Если параллельно подсматривать курсы на Udacity, например Deep Learning от Google, очень хорошо получается.

par Vadim K

28 mai 2018

Supervised learning part is much better than the first one in terms of the lessons, however it's not perfect. Neural networks lessons and assignments are really poor. I also find some things to not be expressed in enough details, it seems like not all pictures in the slides are correct. As I remember it was about uniform vs distance in KNN or SVM where overfitting graph is for distance(1) instead of uniform(1/d).

par Dmitry B

27 sept. 2020

Курс отлично сбалансирован по содержанию в нем теории и практики. Он прекрасно подойдет для тех кто хочет узнать математику ML и практичесткое применение методов. Однако он может не подойти для тех кто хочет ориентироваться исключительно на практику. Ставлю только 4 зведы так как некоторые практические части давно устарели и используют не актуальные Python библиотеки, но это небольшая проблема.

par Геннадий Б

12 janv. 2020

В целом курс хороший, хотя теория рассказана поверхностно, это оставляет ощущение неудовлетворенности и неуверенности в том, что понял материал до конца. Это скорее выглядит как справка, которую принимаешь на веру. Задания выглядят как рецепт в кулинарной книги, но это хорошо. При желании можно разобраться в теме, подтянув знания по математике, жаль только литература вся на английском.

par Михаил И

15 nov. 2020

Огромная просьба к авторам курса переработать Programm Assignment в третьей неделе. Проблема с некорректным кодированием признаков и измененного в sklearn.LogisticRegression солвера по умолчанию заставляет потратить какое-то огромное колчиество времени на преодоление (и то только с помощью форума, где про все эти проблемы было написано как минимум год назад)

par Sergey O

10 déc. 2019

Курс хороший. Познакомитесь с решающими деревьями, случанйым лесом, бустингом. Но вот некоторые блоки - нейронки, байесовские методы - на мой взгляд даны очень уж вкратце. Как обзор - подойдет, но в нем немного смысла, ведь мы все равно забудем эти вещи.

Я все равно рад, что прошел "Обучение на размеченных данных". Думаю, стоит погружаться дальше.

par Ivan H

17 janv. 2021

Хороший курс с доступно обьясненной теоретической базой. Но большой проблемой являются устаревшие тексты заданий, которые не обновляются, в отличие от python и его библиотек. Вследствие этого выполнение этих заданий занимает гораздо больше времени, чем хотелось бы, большая часть которого идет на исправление ошибок составителей заданий.

par Artem S

22 sept. 2020

Курс хороший, объясняется доступно, мне показался легче первого, спасибо преподавателям курса за отличные ноутбуки заданий первых недель, я получил удовольствие от их выполнения. последняя неделя испортила впечатление, если так говорить о нейросетях, то уж лучше, наверное вообще не говорить.