Chevron Left
返回到 Введение в машинное обучение

學生對 国立高等经济大学 提供的 Введение в машинное обучение 的評價和反饋

4.7
2,213 個評分
437 條評論

課程概述

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. Появились технические трудности? Обращайтесь на адрес: coursera@hse.ru...

熱門審閱

AA

Jun 15, 2016

Хороший курс без лишнего. Некоторые методы, предлагаемые в заданиях не оптимальны с точки зрения затрат ресурсов компьютера и времени программиста, но, надеюсь, с новыми сессиями будет развитие курса.

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.

篩選依據:

1 - Введение в машинное обучение 的 25 個評論(共 421 個)

創建者 Митрофанов А А

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.

創建者 Kuznetsov I

Oct 09, 2017

В общем случае курс на 3 с минусом.

Если Вы студент или только-что (2-3 года назад) закончили ВУЗ, то этот курс позволит освежить имеющиеся знания. Так скажем, некая шпаргалка или выжимка ключевых знаний.

Если Вы закончили институт лет 15-20 назад (как в моем случае), то это курс будет совершенно бесполезен т.к.:

1. Теория оторвана от практики. "... Вот тебе лекции. Хочешь, считай практику на листочке, а хочешь, на счетах". Утрировано, но смысл верный. Лекции совсем никак не приблежают к возможности выполнить тестовые задания (кроме теории).

2. Лекции ориентированы на подготовленного слушателя. Без знания (ну хотя бы освежить) курса линейной алгебры, статистики тут делать нечего (возможно еще что-то, разберусь, допишу).

3. Наверное я плохо слушал теорию, но у меня не сложилось понимания о том, когда и в каких случаях применять тот, или иной инструментарий. Сложилось впечатление что подход следующий "... вот тебе кувалда, молоток, пасатижы, микроскоп и погнали чинить космическую станцию. Как, что и чем забивать, разберемся на месте. "

4. Сложилось впечатление, что курс "надергали" студенты из каких то заготовок, за возможность получить зачет автоматом. Теория - хороший академический обзор. Пояснений по практике нет. Задания какие-то совсем не жизненные.

У меня пока все. Всем удачи. А я пошел осваивать азы линейной алгебры ( здесь же на курсере) .

P.s. Да, для таких как я надо все разжевывать детально.

P.p.s Подход "Щас быстро накидаем, авось прокатит" - не прокатит.

創建者 Vorobev A

May 10, 2019

Узнаю. Узнаю отечественное вузовское образование : 1)Качество лекций никого не волнует "патамушта есть книжка". Вместо объяснения сути зачитывать формулу с экрана это вообще за гранью 2)Лабораторные - отдельная дисциплина. Даже лучшее знание теоретических основ никак не поможет их выполнить. А качество "методичек" таково, что выполнить их нормально(быстро) может только тот кто уже их выполнял ранее. 3)Объяснять нормально что-то пытаются только аспиранты.

В общем, по мне так, курс преотвратный. Зачем понадергали какие-то ошметки теории в эти "лекции" , абсолютно не связанные с практическими заданиями, совершенно не ясно. По сути, лекций последней недели для целей "введения" - предостаточно. С "введением" вообще анекдот - чтобы за установленное время со всем этим разобраться нужно уже "быть в теме" и давно. Основы уже должны быть понятны.

Для тех, кто решился : 1) Про Pyton тут ни слова, не помогут, изучать придется самостоятельно с нуля, если ранее с ним не имели дела 2) Курс устарел, версии предлагаемых к использованию библиотек шагнули вперед(зато узнаете чем синтаксис pyton 2 отличается от pyton 3, хе хе... 3) Для новичков будет сложно т.к. 90% лекций курса не для новичков

P.S. Я не понимаю для кого этот курс. Варианты : для студентов Воронцова или желающих поработать в Яндексе(в финальном задании приглашают). Сама тема то не сложная. Сложной ее делает бездарное преподавание.

P.P.S. Курс я завершил на 100%, если что, не бросил

P.P.P.S А Соколов, кстати, молодец. Его объяснения самые понятные и содержательные в курсе.

創建者 Dzmitry B

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.

創建者 Artem

Jun 11, 2019

Некачественный курс: много формул, мало примеров, объясняют простые вещи сложным языком.

創建者 Aleksandr A M

Feb 10, 2018

Отличный пример того, как объяснить простые вещи максимально сложно.

創建者 Yura V

Jun 04, 2016

Не хочу никого обидеть, но по моему в этом курсе все объяснялось максимально непонятным способом. Один за другим сыпалась куча неясных терминов. Несмотря на то, что я носитель русского языка, мне намного понятнее и яснее дались лекции Andrew Ng. Пусть на английском, но там хоть все ясно излагается и с конкретными примерами.

創建者 Гусаров Н В

Aug 31, 2018

Невероятно странная форма преподавания, которая ничему не учит кроме как пользоваться библиотеками и документацией к практическим заданиям которые слабо сочетаются с лекциями

創建者 Jack B

Aug 11, 2017

Создалось впечатление, что у лектора цели научить, собственно, нету. Куча непонятных формул, которые не поясняются. Одним словом, выпендрёж.

創建者 Kirill B

Jul 25, 2017

Дошел до третьей недели курса. В начале курса было понимание что происходит в уроках. Затем появилось очень много терминов идущих друг за другом и у меня понимания не возникает никакого. Если раньше мог пойти на википедию или в интернет посмотреть и почитать, то с третьей недели вообще не понятно что искать и что я должен был узнать из урока. Все тонкости проходятся стороной, а различная игра с формулами не объясняется вовсе.

Курс рассчитан на людей с хорошей мат. базой, которые уже много знают по теме.

創建者 Dmitriy K

Jul 31, 2019

Этот курс подойдет людям с различной начальной подготовкой.

1. Если у вас не хватает математической подготовки, то лекции с формулами будут вас напрягать. Попробуйте не обращать на формулы внимание, а сосредоточьтесь на идеях. Осознать идеи вам поможет воображение. Если не поможет, то хорошая новость заключается в том, что для выполнения заданий эти формулы вам не понадобятся. Задачи решаются с помощью библиотек Питона. Вы возразите, что в лекциях о Питоне нет ни слова. Да, это чистая правда. Однако, авторы курса позаботились об этом и разработали пошаговые инструкции и подробные описания ко всем заданиям. В тексте описания приводятся необходимые участки кода, которые начинающие программировать на Питоне сами могут сначала и не осилить. Конечно, с основами языка вам придется познакомиться самостоятельно, но это, поверьте мне, посильная задача.

2. Если вы дружите с математикой, то потратив время на изучение основ языка Питон, вы сможете попробовать свои силы и самостоятельно реализовать алгоритмы машинного обучения, записанные в лекциях формулами. Чем не вызов для профи?

3. Если вы, увидев в названии слово «введение», решили, что этот курс для тех, кто совсем ничего не знает (ни математики, ни языка Питон), то вы не ошиблись. Вы узнаете в курсе много нового и интересного. Только не занимайтесь самообманом. Если потратить дополнительные усилия на получение недостающих вам знаний вы не можете (нет времени или сложно очень), тогда просто прослушайте курс для расширения своего кругозора. Кстати, задания первых двух недель можно вполне выполнить в Excel. Сам так сделал пока азы Питона изучал, а потом дело пошло.

Авторам большое спасибо!!!

創建者 Igor S

Apr 05, 2018

Для меня главный недостаток курса - сложность и лаконичность видео лекций. В большинстве случаев я не улавливал всю суть из видео материалов. То что для лектора казалось самоочевидным, для меня таковым не было. Возможно дело в формате и длине, возможно дело в базовой сложности материала. Поэтому я начал использовать замечательные конспекты лекций на гитхабе, и вот они вместе с видео-лекциями дают очень хорошую основу. Для выполнения заданий не нужно понимать все досконально, на первых порах это немного расстраивало, ведь видео задают весьма высокую планку сложности, и ты ожидаешь супер сложных заданий. Сами задания оказались очень интересными. Резюмируя, спасибо вам за этот замечательный курс, он не идеален, но очень хорош. Авторы проделали большую работу.

創建者 Vasiliy S

Jun 03, 2019

Ощущение, что курс рассчитан на тех, кто уже и так специалист в области. Если вы хотите научиться новому, то он не для вас. Если вы уже имеете определенный опыт в машинном обучении и хотите повторить материал (по какой-то причине), то можно послушать.

創建者 Anya G

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.

創建者 Egor C

Nov 20, 2017

Хороший вводный курс по методам машинного обучения. Для понимания лекций необходим определенный математический багаж знаний на уровне высшей математики университета.

創建者 Alexander K

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).

創建者 Nick S

Oct 25, 2017

Курс отличный! Но часто ловил себя на мысли, что многие вещи можно было проще объяснить добавив немного визуализации (графики, схемы, анимации) дополнительно в формулам

創建者 Макс К

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.

創建者 Djana R

Jun 24, 2018

So, so.It is not a clear structure, no clear examples, no did with the heart.

創建者 Мельник А Г

Oct 02, 2016

Очень плохо.

Минусы:

1.Лекции (если это можно так назвать) являются сильно сжатым набором мат. терминов. Статья с википедии или любой веб ресурс по ML намного информативнее. Надо очень постараться, чтобы так плохо преподавать материал.

2. Если лекции это "математический спам", с нулевой педагогической ценностью, то практические задания вообще не требуют представления об алгоритмах ML, достаточно набросать несколько строчек на пайтоне, причем буквально выполняя инструкцию к заданию, и все, задание готово.

Плюсов нет.

Я купил этот курс, хватило буквально на 2-3 урока, прекратил этот мазохизм и перешел на англоязычный курс andrew-ng. Это вообще не идет ни в какое сравнение: там ставиться цель - доходчиво донести материал, все излагается последовательно, логично и достаточно понятно.

Очень жаль, что нет адекватных русскоязычных курсов по машинному обучению, а ведь советская педагогическая школа, и в частности математическая, одна из лучших в мире.

創建者 Andrey F

Dec 26, 2016

Хороший обзорный курс. Его преимущество в том, что он позволяет за относительно короткий срок составить представление об основных методах машинного обучения, применяемых на практике. Причем в лекциях дается хоть и лаконичное, но вполне серьезное теоретическое объяснение работы алгоритмов, глубина познаний лектора вызывает большое уважение. Недостатки этого курса - продолжение достоинств. Объем лекций на мой взгляд маловат и не всегда позволяет глубоко понять теорию, стоящую за изучаемыми методами (я знаю, что первое слово в названии курса - "введение", но тем не менее). Некоторые вещи стоило бы "разжевывать" подробнее. Практические задания же часто слишком простые и глубокого понимания теории и не требуют - для их выполнения достаточно научиться пользоваться готовыми библиотеками.

Кроме того, небрежно оценено время прохождения - на все практические задания якобы надо по 3 часа (хотя многие из них достаточно простые и у меня уходило намного меньше времени), а вот финальное задание, самое сложное и объемное, оценено в 2 часа. Ну и прочие технические недоработки реализации, типа необходимости вручную убирать перевод строки в файле с ответом (хоть это и недостаток самой платформы, не все курсы здесь от него страдают) - все это несколько портит впечатление.

Но поставил все-таки пять звездочек, потому что несмотря на все эти недочеты я благодарен авторам курса за их труд и за те знания, которые я здесь получил, и очень рад, что русскоязычные курсы по этому направлению вообще существуют и конкретно этот явно стоит того, чтобы его пройти.

創建者 Ivan G

Mar 06, 2016

GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT! GREAT!

創建者 Sergey B

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.

創建者 Aleksandr I

Jan 24, 2017

Этот курс дал понимание основных принципов машинного обучения, образовав платформу для дальнейшего развития. С его помощью мне удалось познакомится с широким ассортиментом алгоритмов, некоторые из них (например семейство neural networks) выходят за рамки курса по объему и сложности, однако хотя бы поверхностно были освещены и на мой взгляд это очень хорошо. Так же лично для меня в этом курсе было много математики, в которой я сейчас слаб, но за счет того, что она была на подавляющем большинстве слайдов я смог получить дополнительную мотивацию и сейчас активно занимаюсь её изучением. Хочу выразить уважение К.В. Воронцову, думаю многие меня сейчас поняли, но так же мне понравились лекции с Евгением Соколовым, эти видео чуть менее формальны, за счет чего понимать их было намного проще. Конечно во время прохождения я сталкивался с некоторыми сложностями и неоднозначностями, но по завершению курса осталось только желание поставить 5 звезд. Спасибо за то что Вы делаете.

創建者 Ekaterina A

Nov 13, 2018

В курсе много внимания уделяется теории, лекции мне понравились. Видно, что преподавателям интересен предмет и что они хорошо в нём разбираются. Теория опирается на математический анализ, линейную алгебру, теорию вероятностей и другие разделы вузовской математики, так что этот курс для тех, кто довольно много изучал математику в университете.

Мне кажется, перед прохождения этого круса нужно познакомиться с алгоритмами машинного обучения на более поверхностном уровне, на каких-то частных примерах, потому что здесь сразу даются концепции в очень общем виде и сразу может быть непонятно - это вообще как и зачем используется. Программирование практически полностью оставлено на самостоятельное изучение, так что перед началом курса лучше познакомиться с библиотеками для анализа данных на используемом языке программирования (например, для Python это pandas, sklearn и тд), иначе может быть очень тяжело.

То есть этот курс хоть и "введение", но не совсем для новичков.