Chevron Left
Zurück zu Обучение на размеченных данных

Kursteilnehmer-Bewertung und -Feedback für Обучение на размеченных данных von Moscow Institute of Physics and Technology

4.8
Sterne
2,196 Bewertungen
282 Bewertungen

Über den 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. Видео курса разработаны на Python 2. Задания и ноутбуки к ним адаптированы к Python 3....

Top-Bewertungen

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.

AG

Nov 15, 2019

Очень интересный и более сложный курс по сравнению с предыдущим! Но!! Хотелось бы обновлений и дополнений по нейросетям (мало информации), а также не затронут TensorFlow, что не очень хорошо!

Filtern nach:

201 - 225 von 265 Bewertungen für Обучение на размеченных данных

von Anton K

Dec 09, 2017

Good job!

von Ковалев А

Jun 12, 2018

отлично!

von Elizaveta N

May 07, 2018

Отлично!

von Бабин О О

Sep 20, 2016

Спасибо!

von Kuptsov A

Mar 24, 2016

Отлично!

von Тюлькин Н П

Apr 10, 2018

Отлично

von Denis M

Feb 01, 2019

Great!

von Denis U

Nov 28, 2018

great!

von Artyom T

Mar 19, 2018

Great!

von Seilov T

Sep 23, 2017

Nice!

von Ievgenii O

Jan 13, 2017

Nice!

von Горячев А И

Nov 21, 2019

ТОП!

von Vladislav Z

Mar 23, 2019

cool

von Гориненко А

Oct 04, 2018

Вау!

von Цхондия Г А

Nov 21, 2017

cool

von Байрамкулов А М

Nov 04, 2017

Каеф

von Андрей А В

May 07, 2017

Gj

von Катя

Jun 30, 2016

<3

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 Вернер А И

Jul 26, 2017

В целом курс очень полехный. Теоретический материал изложен очень хорошо, с большим количеством примеров, облегчающих понимание. Наличие конспектов экономит время, что тоже немаловажно. Единственное замечание по курсу - сложность заданий по программированию. На мой взгляд они зачастую являлись очень сложными, а поскольку решений этих заданий не имелось, приходилось часами, а порой и по нескольку дней, работать над каждым из них, что сильно замедляло процесс обучения и снижало мотивацию прохождения курса. Предлагаю авторам курса принять к сведению последнее замечание, и выложить в свободном доступе решения заданий, для тех обучающихся, которые затрудняются самостоятельно выполнить эту обязательную часть курса.

von Eugene M

Feb 05, 2017

В целом курс понравился, было много интересных и сложных задач, периодически приходилось хорошенько напрягать извилины. Материалы опираются на предыдущий курс и практически не требуют постоянного гугления, что тоже плюс. Впечатление немного испортила последняя неделя. Не очень понятно, зачем было в одну неделю укладывать столько разношерстных материалов. В итоге окончание получилось сумбурным. Если бы не этот казус и немного размытые постановки задач, в которых приходится долго думать над тем, чего от тебя хочет автор, вместо того, чтобы решать задачу, то курс бы заслужил полноценные 5 баллов. А в общем-то, большое спасибо за это крутое путешествие!

von Petr R

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 Ilya P

Aug 01, 2017

Второй курс специализации Яндекса (по ИИ) оставил противоречивые впечатление. С одной стороны, сделать продукт такого качества совсем не просто, и в русскоязычном пространстве вряд ли найдется более качественная специализация по ML. С другой стороны, подход Физтеха порой чересчур академичен, да и не расскажешь все за одну специализацию. Если параллельно подсматривать курсы на Udacity, например Deep Learning от Google, очень хорошо получается.

von Vadim K

May 29, 2018

Supervised learning part is much better than the first one in terms of the lessons, however it's not perfect. Neural networks lessons and assignments are really poor. I also find some things to not be expressed in enough details, it seems like not all pictures in the slides are correct. As I remember it was about uniform vs distance in KNN or SVM where overfitting graph is for distance(1) instead of uniform(1/d).

von Gennadiy B

Jan 13, 2020

В целом курс хороший, хотя теория рассказана поверхностно, это оставляет ощущение неудовлетворенности и неуверенности в том, что понял материал до конца. Это скорее выглядит как справка, которую принимаешь на веру. Задания выглядят как рецепт в кулинарной книги, но это хорошо. При желании можно разобраться в теме, подтянув знания по математике, жаль только литература вся на английском.