Chevron Left
Zurück zu Обучение на размеченных данных

Обучение на размеченных данных, Moscow Institute of Physics and Technology

4.8
1,797 Bewertungen
247 Bewertungen

Über diesen Kurs

Обучение на размеченных данных или обучение с учителем – это наиболее распространенный класс задач машинного обучения. К нему относятся те задачи, где нужно научиться предсказывать некоторую величину для любого объекта, имея конечное число примеров. Это может быть предсказание уровня пробок на участке дороги, определение возраста пользователя по его действиям в интернете, предсказание цены, по которой будет куплена подержанная машина. В этом курсе вы научитесь формулировать и, конечно, решать такие задачи. В центре нашего внимания будут успешно применяемые на практике алгоритмы классификации и регрессии: линейные модели, нейронные сети, решающие деревья и так далее. Особый акцент мы сделаем на такой мощной технике как построение композиций, которая позволяет существенно повысить качество отдельных алгоритмов и широко используется при решении прикладных задач. В частности, мы узнаем про случайные леса и про метод градиентного бустинга. Построение предсказывающих алгоритмов — это лишь часть работы при решении задачи анализа данных. Мы разберемся и с другими этапами: оценивание обобщающей способности алгоритмов, подбор параметров модели, выбор и подсчет метрик качества....

Top-Bewertungen

von RN

Jan 21, 2017

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

von YD

Aug 08, 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.

Filtern nach:

229 Bewertungen

von Daniel Bulgadaryan

May 11, 2019

Интересный курс, но сложность заданий не всегда соответствует излагаемому материалу, да и порядок изложения не всегда логичен. Хорошо, что у sklearn подробная доступная документация :)

von Юрасик Георгий Анатольевич

May 10, 2019

Отличный курс! Спасибо его создателям!

von Андреев Павел Константинович

May 06, 2019

Замечательный курс для первичного знакомства с анализом данных, преподаватели стараются объяснить все максимально понятно для неподготовленного слушателя, ощущается их труд при составлении курса. Вся информация с лекций законспектрована, так что есть возможность всегда освежить знания, полученные при прохождении специализации. Огромноное спасибо авторам!

von Dmitry Moshkin

Apr 23, 2019

Круто, пот льется ведрами. Больше пью (стараюсь именно воды) и продолжаю заниматься.

von Дивицкий Денис Юрьевич

Apr 15, 2019

Очень круто!

von Gulnur Baimukhambetova

Apr 12, 2019

Отличный курс! Расстроила только последняя неделя: неудачный выбор лектора в первом разделе; недостаток взаимосвязанности с предыдущим материалом; скомканность достаточно интересных тем. Тем не менее, огромное спасибо за вашу работу!

von Vladislav Zamkovoy

Mar 23, 2019

cool

von Petr Ryzhonkov

Mar 16, 2019

Такой хороший курс и так слили последнюю неделю. Сделайте уже что-нибудь с ней. Все в лучших традициях Воронцова : миллион формул на слайде, куча интегралов, выводы какие-то в две строки и "очевидные преобразования", далее задание на 5 минут, которое слабо связано с тем что происходило в лекции. Очень долго не мог закончить этот курс именно из-за этой недели, постоянно прокрастинировал её.

В итоге оценка за 1-4 неделю% 5 из 5

За 5 неделю : 1 из 5

von Sergey

Mar 14, 2019

Overall, it's a good course.

I enjoyed the choice of topics to be covered, the structure of the course, and especially the theoretical part. A minor comment: I think, theory transcripts, tests, and programming assignments would only benefit from bringing some extra clarity. Specifically, before any equations it would be reasonable to annotate and/or briefly explain the variables; in multiple choice tests, it won't hurt to formulate the questions in a way that reduces ambiguity; in programming assignments, it would help a lot to specify what you mean exactly when you say 'dataset' (perhaps, in fine print).

A major concern is that the course developers do not keep up with Python development. It doesn't bother me at all to create a virtual environment with Python 2, and to install an obsolete version of sklearn; however, you at least have to specify the correct compatibilities. Specifically, the assignments would state that the scripts run on sklearn 0.15 and newer, but that's not true. The import specifications and function names have changed drastically shortly after v0.15. Although some (unconvincing) reasoning for using python 2 is out there, I don't see how anyone could benefit from leaning the deprecated sklearn namespace. It's especially striking given that you charge for the course.

Overall, the benefits of the theoretical part outweigh the minor points mentioned above.

I look forward to starting the following courses of the specialization.

von Шаланкин Максим Дмитриевич

Mar 14, 2019

Хороший сложный курс, насыщенная программа и интересные задания.UPD: (прошёл 5 курсов из этой специализации, никому не советую проходить больше двух первых, потому что цена - качество не соответсвуют)