À propos de ce cours
138,764 consultations récentes

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Niveau intermédiaire

Approx. 43 heures pour terminer

Recommandé : 8 hours/week...

Russe

Sous-titres : Russe

Compétences que vous acquerrez

Random ForestPython ProgrammingMachine LearningSupervised Learning

100 % en ligne

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.

Niveau intermédiaire

Approx. 43 heures pour terminer

Recommandé : 8 hours/week...

Russe

Sous-titres : Russe

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1
9 heures pour terminer

Машинное обучение и линейные модели

13 vidéos (Total 82 min), 8 lectures, 8 quiz
13 vidéos
Как устроена специализация, и зачем ее проходить3 min
МФТИ1 min
Знакомство с машинным обучением11 min
Обучение на размеченных данных5 min
Обучение без учителя5 min
Признаки в машинном обучении8 min
Линейные модели в задачах регрессии9 min
Обучение линейной регрессии6 min
Градиентный спуск для линейной регрессии7 min
Стохастический градиентный спуск4 min
Линейная классификация6 min
Функции потерь в задачах классификации6 min
8 lectures
Формат специализации и получение сертификата10 min
Немного о Yandex10 min
МФТИ10 min
Forum&Chat10 min
Слайды к лекциям10 min
Конспект10 min
Слайды к лекциям10 min
Конспект10 min
6 exercices pour s'entraîner
Основные термины в машинном обучении6 min
Типы задач в машинном обучении6 min
Машинное обучение: задачи и признаки12 min
Линейная регрессия4 min
Градиентный спуск4 min
Линейные модели8 min
Semaine
2
9 heures pour terminer

Борьба с переобучением и оценивание качества

14 vidéos (Total 126 min), 9 lectures, 8 quiz
14 vidéos
Регуляризация7 min
Оценивание качества алгоритмов7 min
Сравнение алгоритмов и выбор гиперпараметров4 min
Метрики качества в задачах регрессии10 min
Метрики качества классификации4 min
Точность и полнота8 min
Объединение точности и полноты5 min
Качество оценок принадлежности классу12 min
Встроенные датасеты. Sklearn.datasets15 min
Кросс-валидация. Sklearn.cross_validation9 min
Линейные модели. Sklearn.linear_model. Классификация10 min
Линейные модели. Sklearn.linear_model. Регрессия7 min
Метрики качества. Sklearn.metrics13 min
9 lectures
Слайды к лекциям10 min
Конспект10 min
Слайды к лекциям10 min
Конспект10 min
Встроенные датасеты. Sklearn.datasets (ipython notebook)10 min
Кросс-валидация. Sklearn.cross_validation (ipython notebook)10 min
Линейные модели. Sklearn.linear_model. Классификация (ipython notebook)10 min
Линейные модели. Sklearn.linear_model. Регрессия (ipython notebook)10 min
Метрики качества. Sklearn.metrics (ipython notebook)10 min
6 exercices pour s'entraîner
Проблема переобучения6 min
Проблема переобучения и борьба с ней10 min
Как измерить качество алгоритма?6 min
Метрики качества10 min
Встроенные датасеты и кросс-валидация8 min
Введение в scikit-learn10 min
Semaine
3
7 heures pour terminer

Линейные модели: классификация и практические аспекты

14 vidéos (Total 97 min), 7 lectures, 7 quiz
14 vidéos
Метод максимального правдоподобия4 min
Регрессия как максимизация правдоподобия2 min
Регрессия как оценка среднего4 min
Регуляризация8 min
Задача оценивания вероятностей и логистическая регрессия8 min
Масштабирование признаков6 min
Спрямляющие пространства5 min
Работа с категориальными признаками4 min
Несбалансированные данные5 min
Многоклассовая классификация4 min
Подбор параметров по сетке. Sklearn.grid_search9 min
Задача: bike sharing demand15 min
Задача: bike sharing demand. Продолжение13 min
7 lectures
Слайды к лекциям10 min
Конспект10 min
Слайды к лекциям10 min
Конспект10 min
Подбор параметров по сетке. Sklearn.grid_search (ipython notebook)10 min
Задача Bike Sharing Demand (ipython notebook)10 min
Задача Bike Sharing Demand. Продолжение (ipython notebook)10 min
6 exercices pour s'entraîner
Метод максимального правдоподобия6 min
Линейные модели: статистический взгляд14 min
Линейные модели: подготовка признаков6 min
Линейные модели: практические аспекты6 min
Подбор параметров по сетке6 min
Анализ данных в scikit-learn12 min
Semaine
4
10 heures pour terminer

Решающие деревья и композиции алгоритмов

17 vidéos (Total 114 min), 10 lectures, 8 quiz
17 vidéos
Обучение решающих деревьев6 min
Критерии информативности7 min
Критерии останова и стрижка деревьев4 min
Решающие деревья и категориальные признаки8 min
Решающие деревья в sklearn10 min
Композиции деревьев6 min
Смещение и разброс9 min
Случайные леса6 min
Трюки со случайными лесами4 min
Случайные леса в sklearn7 min
Композиции простых алгоритмов5 min
Градиентный бустинг7 min
Борьба с переобучением в градиентном бустинге6 min
Градиентный бустинг для регрессии и классификации4 min
Градиентный бустинг над решающими деревьями5 min
Градиентный бустинг в XGBoost5 min
10 lectures
Решающие деревья в sklearn (ipython notebook)10 min
Слайды к лекциям10 min
Конспект10 min
Случайные леса в sklearn (ipython notebook)10 min
Слайды к лекциям10 min
Конспект10 min
XGBoost10 min
Градиентный бустинг в XGBoost (ipython notebook)10 min
Слайды к лекциям10 min
Конспект10 min
6 exercices pour s'entraîner
Построение решающих деревьев8 min
Решающие деревья14 min
Бэггинг6 min
Композиции и случайные леса8 min
Обучение композиций и градиентный бустинг4 min
Градиентный бустинг: обучение и практические аспекты8 min
4.8
260 avisChevron Right

47%

a commencé une nouvelle carrière après avoir terminé ces cours

60%

a bénéficié d'un avantage concret dans sa carrière grâce à ce cours

40%

a obtenu une augmentation de salaire ou une promotion

Principaux examens pour Обучение на размеченных данных

par RNJan 21st 2017

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

par YDAug 8th 2018

Отличный курс. Меньше чем за месяц появилось базовое понимание обучения на размеченных данных и принципов ML.\n\nМного практики, грамотные преподаватели и качественные pdf сделали своё дело.

Enseignants

Avatar

Константин Воронцов

доктор физико-математических наук, профессор
Кафедра интеллектуальных систем

À propos de Institut de physique et de technologie de Moscou

Московский физико-технический институт (Физтех) является одним из ведущих вузов страны и входит в основные рейтинги лучших университетов мира. Институт обладает не только богатой историей – основателями и профессорами института были Нобелевские лауреаты Пётр Капица, Лев Ландау и Николай Семенов – но и большой научно-исследовательской базой. Основой образования в МФТИ является уникальная «система Физтеха», сформулированная Петром Капицей: кропотливый отбор одаренных и склонных к творческой работе абитуриентов; участие в обучении ведущих научных работников; индивидуальный подход к отдельным студентам с целью развития их творческих задатков; воспитание с первых шагов в атмосфере технических исследований и конструктивного творчества с использованием потенциала лучших лабораторий страны. Среди выпускников МФТИ — нобелевские лауреаты Андрей Гейм и Константин Новоселов, основатель компании ABBYY Давид Ян, один из авторов архитектурных принципов построения вычислительных комплексов Борис Бабаян и др....

À propos de Yandex

Yandex is a technology company that builds intelligent products and services powered by machine learning. Our goal is to help consumers and businesses better navigate the online and offline world....

À propos du Spécialisation Машинное обучение и анализ данных

Мы покажем, как проходит полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Вы научитесь пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач. В рамках специализации вы освоите основные темы, необходимые в работе с большим массивом данных, в т.ч. современные методы классификации и регрессии, поиск структуры в данных, проведение экспериментов, построение выводов, базовая фундаментальная математика, основы программирования на Python. Мы разберём, как построить рекомендательную систему, оценить эмоциональную окраску текста, спрогнозировать спрос на товар, оценить вероятность клика по рекламе и т.д. В финале вам потребуется выполнить проект собственной системы, решающей любую актуальную для бизнеса задачу. Результатом будет наглядная работающая модель, которую вы сможете использовать в вашей повседневной работе или продемонстрировать на собеседовании. Все, прошедшие специализацию, могут принять участие в Программе трудоустройства. Если вы заинтересованы в новых проектах, новых перспективах и возможностях - пройдите обучение по Специализации и подайте заявку....
Машинное обучение и анализ данных

Foire Aux Questions

  • Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.

  • Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.