Chevron Left
Retour à Введение в машинное обучение

Введение в машинное обучение, Université nationale de recherche, École des hautes études en sciences économiques

4.6
1,877 notes
351 avis

À propos de ce cours

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....

Meilleurs avis

par 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.

par DD

Feb 10, 2016

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.

Filtrer par :

335 avis

par Anya Goremykina

Apr 11, 2019

Я получила, хорошее представление о том, что вообще такое машинное обучение, и некую начальную теор базу. Почти под любую тему есть ссылка на соответствующие полноценные написанные лекции, которые очень помогали получить более широкую картину. И самое главное были интересные и полезные практические задания.

par Шаланкин Максим Дмитриевич

Apr 08, 2019

Отличный курс для введения в основные понятия.

par Артем Русанов

Mar 30, 2019

В целом неплохое введение в машинное обучение и использование питона для этих задач. Мне понравилось. Ролики с теорией в таком виде практически не воспринимаются, я уже забыл практически все, что в них было.

par Клейн Александр Маркович

Mar 24, 2019

Курс сложный, в описании сказано, что он для мамкиных гуманитариев, но нужно сильно вспомнить математический анализ, чтобы хотя бы поверхностно понимать суть лекций. В целом, пройти его нужно, если хочется попасть в Data Science и в Data Engineering (в курсе много времени уделяется подготовке данных).

par Дарья Викторовна Шаповалова

Mar 21, 2019

Очень понятно объясняется материал, полезные задания.

par Vladimir Yakemenko

Mar 20, 2019

Понравилось делать руками градиентный спуск.

par Гаманец Роман Александрович

Mar 17, 2019

Вот смотрю я видео, и понимаю, что ничего не понимаю. А беру задания, выполняю, и начинаю понимать. Но главное не понимаю, а зачем нужна какая модель. А это очень грустно.

par Трегубов Артём Витальевич

Mar 17, 2019

все должны пройти этот курс, прекрасно для начала

par Aver Niko

Feb 24, 2019

Курс очень понравился. Местами теория сложновата. Но в общем и целом - все замечательно. И задания и лекции. Спасибо!

par Елохин Алексей Анатольевич

Feb 22, 2019

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