About this course: В машинном обучении встречаются задачи, где нужно изучить структуру данных, найти в них скрытые взаимосвязи и закономерности. Например, нам может понадобиться описать каждого клиента банка с помощью меньшего количества переменных — для этого можно использовать методы понижения размерности, основанные на матричных разложениях. Такие методы пытаются сформировать новые признаки на основе старых, сохранив как можно больше информации в данных. Другим примером может служить задача тематического моделирования, в которой для набора текстов нужно построить модель, объясняющую процесс формирования этих текстов из небольшого количества тем. Такие задачи назвают обучением без учителя. В отличие от обучения с учителем, в них не предполагают восстановление зависимости между объектами и целевой переменной. Из этого курса вы узнаете об алгоритмах кластеризации данных, с помощью которых, например, можно искать группы схожих клиентов мобильного оператора. Вы научитесь строить матричные разложения и решать задачу тематического моделирования, понижать размерность данных, искать аномалии и визуализировать многомерные данные.
Who is this class for: Этот курс предназначен для всех, кто уже знаком с основами машинного обучения и хочет погрузиться в задачи, связанные с обучением без учителя. Мы обсудим кластеризацию, тематическое моделирование, сжатие данных, визуализацию и другие связанные с этим темы. Курс может быть полезен студентам и всем, кто осваивает профессию data scientist’а.
Created by: 莫斯科物理科学与技术学院, Yandex
Taught by: Evgeniy Ryabenko, Senior Data Scientist, Veon, Amsterdam
Taught by: Evgeny Sokolov
Taught by: Victor Kantor
Taught by: Emeli Dral
Taught by: Константин Воронцов, доктор физико-математических наук, профессор
Кафедра интеллектуальных систем
| Basic Info | Course 3 of 6 in the Машинное обучение и анализ данных Specialization |
| Level | Intermediate |
| Commitment | 4 недели обучения, через 3-5 часа / неделю |
| Language | Russian |
| How To Pass | Pass all graded assignments to complete the course. |
| User Ratings |
Syllabus
WEEK 1
Кластеризация
Добро пожаловать на курс "Поиск структуры в данных"! В этом курсе вы узнаете про задачи машинного обучения, в которых требуется не предсказать целевую переменную, а найти некоторые внутренние закономерности в данных — например, сгруппировать объекты по схожести, или определить наиболее важные признаки. В первом модуле мы изучим задачу кластеризации, направленную на поиск групп близких объектов. Вы узнаете про основные подходы к её решению, а также узнаете, как можно выбрать хороший алгоритм кластеризации, не имея правильных ответов.
15 videos, 9 readings, 2 practice quizzes
- Video: Как устроена специализация, и зачем ее проходить
- Leitura: Анкета для слушателя
- Video: Структура уроков
- Video: Задача кластеризации
- Video: Примеры задач кластеризации
- Video: Знакомство с методами кластеризации
- Teste para praticar: Знакомство с кластеризацией
- Video: Пример: кластеризация текстов по теме
- Leitura: Блокнот из примера кластеризации текстов
- Video: Выбор метода кластеризации
- Leitura: Слайды к лекциям
- Leitura: Конспект
- Leitura: Немного о Yandex
- Leitura: МФТИ
- Video: МФТИ
- Leitura: Forum&Chat
- Video: Метод K средних (K-Means)
- Video: Expectation Maximization (EM-алгоритм)
- Video: Агломеративная иерархическая кластеризация
- Video: Графовые методы кластеризации
- Teste para praticar: Некоторые методы кластеризации
- Video: Методы, основанные на плотности
- Video: Оценка качества и рекомендации по решению задачи кластеризации
- Leitura: Слайды к лекциям
- Leitura: Конспект
- Prompt de discussão: Давайте знакомиться!
Graded: Введение в кластеризацию
Graded: Подробнее о методах кластеризации
Graded: Размещение баннеров
WEEK 2
Понижение размерности и матричные разложения
В предыдущем модуле мы обсуждали, как кластеризовать объекты, а в этом модуле займёмся признаками. Нередко возникают ситуации, в которых далеко не все признаки нужны для решения задачи — или же нужны все, но при этом их слишком много. В этом случае нужно перейти в новое признаковое пространство меньшей размерности. Для этого можно либо отбирать наиболее важные признаки, либо порождать новые на основе исходных — мы обсудим оба подхода. В частности, мы разберёмся с методом главных компонент, который используется в самых разных задачах машинного обучения. Затем мы перейдём к матричным разложениям — мы изучим несколько методов, позволяющих получить приближение исходной матрицы в виде произведения нескольких матриц меньшей размерности. Такая аппроксимация часто используется в задачах машинного обучения, например, для понижения размерности данных, восстановления пропущенных значений в матрицах и построения рекомендательных систем.
15 videos, 4 readings, 2 practice quizzes
- Video: Одномерный отбор признаков
- Video: Жадные методы отбора признаков
- Video: Отбор признаков на основе моделей
- Teste para praticar: Отбор признаков
- Video: Понижение размерности
- Video: Метод главных компонент: постановка задачи
- Video: Метод главных компонент: решение
- Leitura: Слайды к лекциям
- Leitura: Конспект
- Video: Матричные разложения
- Video: SGD и ALS
- Video: Прогнозирование неизвестных значений в матрице
- Video: Проблема отсутствия негативных примеров и implicit методы
- Video: Вероятностный взгляд на матричные разложения
- Video: Неотрицательные матричные разложения: постановка и решение
- Video: Неотрицательные матричные разложения: функционалы и инициализация
- Teste para praticar: Неотрицательные матричные разложения
- Video: Обработка пропусков
- Leitura: Слайды к лекциям
- Leitura: Конспект
Graded: Понижение размерности и отбор признаков
Graded: Метод главных компонент
Graded: Матричные разложения
WEEK 3
Визуализация и поиск аномалий
Добро пожаловать на третью неделю курса! В ней мы обсудим две задачи: обнаружение аномалий и визуализация данных. Обнаружение аномалий направлено на поиск объектов, которые являются особенными в некотором смысле. Например, это могут объекты с такими значениями признаков, которые далеки от имеющихся в обучающей выборке — вполне ожидаемо, что на таких объектах модель выдаст очень плохие прогнозы. Вы узнаете, как можно формально дать определение аномалий и с помощью каких методов можно решать задачу их поиска. Вторая задача, о которой мы поговорим — это визуализация, то есть отображение многомерной выборки в пространство размерности два или три. В теории визуализация близка к понижению размерности — но за счёт того, что нам нужно найти всего два или три признака, можно использовать очень сложные нелинейные методы.
8 videos, 5 readings, 2 practice quizzes
- Video: Параметрическое восстановление плотности
- Video: Непараметрическое восстановление плотности
- Teste para praticar: Восстановление плотности
- Video: Одноклассовый SVM
- Leitura: Слайды к лекциям
- Leitura: Конспект
- Video: Задача визуализации
- Video: Многомерное шкалирование
- Video: Метод t-SNE
- Teste para praticar: Методы SNE и t-SNE
- Video: Визуализация данных в sklearn
- Leitura: Визуализация данных в sklearn
- Leitura: Слайды к лекциям
- Leitura: Конспект
Graded: Поиск аномалий
Graded: Визуализация
Graded: Визуализация данных
WEEK 4
Тематическое моделирование
Люди уже много веков сохраняют свои знания в виде книг, а крупнейшая на сегодняшний день коллекция информации — Интернет — состоит из огромного количества текстов. Тексты, по сути, являются наиболее популярным видом данных, и поэтому очень важно уметь искать в них закономерности. Тематическое моделирование — это способ семантического анализа коллекции текстовых документов. Тематическая модель позволяет для каждого документа найти темы, которые его описывают, и кроме того показывает, какие слова характеризуют ту или иную тему. Другими словами, мы находим более компактное представление большого набора текстов в виде нескольких тем. С математической точки зрения тематическая модель — это еще один вид матричного разложения, где в качестве исходной матрицы выступает матрица частот слов в документах. На четвертой неделе мы поговорим о том, где применяют тематические модели, какие они бывают, как их строить и как оценивать.
14 videos, 8 readings, 2 practice quizzes
- Video: Постановка задачи тематического моделирования
- Video: Базовые тематические модели и EM-алгоритм
- Teste para praticar: Постановка задачи и базовые понятия
- Video: Регуляризация тематических моделей
- Video: Мультимодальные тематические модели
- Leitura: Слайды к лекциям
- Leitura: Конспект
- Video: Внутренние критерии качества тематических моделей
- Video: Внешние критерии качества тематических моделей
- Teste para praticar: Критерии качества тематических моделей
- Video: Визуализация тематических моделей
- Video: Тематические модели на практике
- Video: Пример использования библиотеки gensim для построения тематической модели
- Leitura: Ноутбук из демонстрации использования gensim
- Video: Установка BigARTM в Windows
- Video: Установка BigARTM в Linux Mint
- Video: Установка BigARTM в Mac OS-X
- Video: Пример использования библиотеки BigARTM для построения тематической модели
- Leitura: Ноутбук из демонстрации использования BigARTM
- Avaliação entre colegas: Тематическая модель Постнауки
- Leitura: Слайды к лекциям
- Leitura: Конспект
- Leitura: Ваши впечатления о курсе
- Leitura: Финальные титры
Graded: Тематическое моделирование-1
Graded: Тематическое моделирование
Graded: Тематическое моделирование-2
FAQs
How It Works
Trabalho
Cada curso é como um livro didático interativo, com vídeos pré-gravados, testes e projetos.
Ajuda dos seus colegas
Conecte-se com milhares de outros aprendizes, debata ideias, discuta sobre os materiais do curso e obtenha ajuda para dominar conceitos.
Certificados
Obtenha reconhecimento oficial pelo seu trabalho e compartilhe seu sucesso com amigos, colegas e empregadores.
Creators
莫斯科物理科学与技术学院
Московский физико-технический институт (неофициально известный как МФТИ или Физтех) является одним из самых престижных в мире учебных и научно-исследовательских институтов. Он готовит высококвалифицированных специалистов в области теоретической и прикладной физики, прикладной математики, информатики, биотехнологии и смежных дисциплин. Физтех был основан в 1951 году Нобелевской премии лауреатами Петром Капицей, Николаем Семеновым, Львом Ландау и Сергеем Христиановичем. Основой образования в МФТИ является уникальная «система Физтеха»: кропотливое воспитание и отбор самых талантливых абитуриентов, фундаментальное образование высшего класса и раннее вовлечение студентов в реальную научно-исследовательскую работу. Среди выпускников МФТИ есть Нобелевские лауреаты, основатели всемирно известных компаний, известные космонавты, изобретатели, инженеры.
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.
Pricing
| Purchase Course | |
|---|---|
| Access to course materials | Available |
| Access to graded materials | Available |
| Receive a final grade | Available |
| Earn a shareable Course Certificate | Available |
Ratings and Reviews
Отличный вводный курс, как и вся специализация. Доступно и понятно изложены все базовые вещи, которые могут потребоваться в повседневной деятельности в качестве data scientist.
Задачи в Тематическом моделировании нуждаются в более глубоких пояснениях.
В целом курс понравился.
Сделайте что-нибудь с заданием по Тематическому Моделированию, чтобы оно не зависело от версий библиотек
Coursera provides universal access to the world’s best education,
partnering with top universities and organizations to offer courses online.
© 2018 Coursera Inc. All rights reserved.
TB
Первые три недели интересные и методы рассмотрены важные. Тематическое моделирование, на мой взгляд, штука достаточно специфичная и многим она не понадобится совсем. Хотелось бы чего-то более общего. А так курс неплохой.