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
1,789 notes
340 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 :

324 avis

par Мезенцев Никита Витальевич

Feb 13, 2019

Очень интересно, порой бывает сложно, чувствуется некая недосказанность, поэтому мне приходится параллельно смотреть на ютубе Курс «Машинное обучение» 2014, там более подробно описывается теория данного курса.

par Балетинских Артем Александрович

Feb 04, 2019

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

par Churmantaev Dinar Munirovich

Feb 04, 2019

Очень интересный курс. Мат.часть, конечно, тяжело воспринимается. Но практические задания - просто огонь!

par Макс Корейченко

Jan 31, 2019

Требуется больше практических примеров. Евгений Соколов - великолепен. Очень понятно объясняет сложные вещи.

Константин Воронцов - классический профессор вуза. Говорит сложно, без примеров. Для понимания требуется большой математический бэкграунд. Чего в курсе для "начинающих" не предполагалось, как мне кажется.

par Belash Dzmitry

Jan 30, 2019

К сожалению, курс расстроил. Единственная причина по которой я понимал основное содержание лекций - это пройденный курс от Стэнфордского университета. Вместо понятного перехода от частного к общему на голову валится максимально абстрактная теория. Такое чувство, что курс либо делался "на отвали", либо является предельно сжатой версией более длинного курса (другие курсы от Яндекса я не проходил, но планирую это сделать). К тому же абсолютно расстроила тема финального задания. По моему личному мнению, любая, даже самая бестолковая тема гораздо интересней, чем дота. Что порадовало - это задания по программированию, в которых в достаточной, но не слишком избыточной форме предлагались хорошие инструменты, и для того чтобы их использовать, приходилось глубже познакомиться с ними, делать этакий микро-research.

par Малинкин Павел Борисович

Jan 22, 2019

Хороший курс для начинающих, кто уже достаточно знает теории, но еще не приступил к практике. Мне он очень помог, чтобы сделать первые шаги в создании скриптов по анализу данных.

Правда, есть в курсе 3-4 задачки, которые новичку будут, на мой взгляд, очень сложны. Но это заставляет искать информацию в интернете, что способствует получению больших знаний.

par Митрофанов Александр Александрович

Jan 20, 2019

Курс преподается отвратно. Читается сложным языком, множество математических терминов с минимумов примеров. Не ждите никаких простых объяснений от курса. Условия заданий написаны неоднозначно, вызывают много вопросов. Этот курс будет понятен если вы уже разбираетесь, что такое машинное обучение и нейронные сети, но тогда непонятно зачем он специалисту. Рекомендую прочесть книгу "Создаем нейронную сеть", где автор практически объясняет на пальцах предметную область. Очень простая подача материала с примерами и поэтапным введением.

par Kolya Mk

Jan 12, 2019

Very usefull

par Хабиров Тимур Раильевич

Dec 13, 2018

Отличный вводный курс для начинающих с нуля. После прохождения появляется представление о том, как решаются задачи машинного обучения.

par Sergey Berezhnoy

Dec 06, 2018

Нет возможности поставить 4.5, поэтому ставлю 5.

Плюсы:

+ даётся много математики за происходящим

+ курс предполагает достаточно объёмные имеющиеся знания (не тратится время на объяснения азов)

+ рассмотрено много методов

+ материалы курса объяснены просто и доходчиво

+ даётся много практических рекомендаций или замечаний

+ субъективный плюс: заставил много гуглить и разбираться с API

Минус один, субъективный: практические задания сильно оторваны от материалов лекций. В видео рассказывается о множестве методов и внутренней логике их работы, практическое задание сводится к вызову библиотечных методов для одного метода. Только в одном задании пришлось имплементировать градиентный спуск руками, остальные задания (кроме финального) сводились к минимальной пред-обработке данных и вызову методов API.

Финальное задание крутое. Ещё понравилась возможность посмотреть на решения однокурсников и кое-чему научиться.

Мои исходные данные: подзабытые фрагментарные знания математики из университета, многолетний опыт программирования (но не на питоне), полное незнание методов машинного обучения. Мне курс очень хорошо зашёл, рекомендую.