Введение в машинное обучение

Введение в машинное обучение

Cours
ru
Russe
35 h
Ce contenu est noté 0 sur 5
Source
  • Sur www.coursera.org
Conditions
  • À son rythme
  • Accès libre
  • Certificat payant
Plus d'informations
  • 7 séquences
  • Niveau Introductif

Leurs employés apprennent chaque jour avec Edflex

  • Safran
  • Air France
  • TotalEnergies
  • Generali
Découvrir Edflex

Détails du cours

Déroulé

  • Week 1 - Знакомство с анализом данных и машинным обучением
    Добро пожаловать! В первом модуле курса мы расскажем о задачах, которые решает машинное обучение, определим базовый набор понятий и введем необходимые обозначения. Также мы расскажем про основные библиотеки языка Python для работы с данными (NumPy, Pandas, Sci...
  • Week 1 - Логические методы классификации
    Логические методы делают классификацию объектов на основе простых правил, благодаря чему являются интерпретируемыми и легкими в реализации. При объединении в композицию логические модели позволяют решать многие задачи с высоким качеством. В этом модуле мы изуч...
  • Week 2 - Метрические методы классификации
    Метрические методы проводят классификацию на основе сходства, благодаря чему могут работать на данных со сложной структурой — главное, чтобы между объектами можно было измерить расстояние. Мы изучим метод k ближайших соседей, а также способ его обобщения на за...
  • Week 2 - Линейные методы классификации
    Линейные модели — один из наиболее изученных классов алгоритмов в машинном обучении. Они легко масштабируются и широко применяются для работы с большими данными. В этом модуле мы изучим метод стохастического градиента для настойки линейных классификаторов, поз...
  • Week 3 - Метод опорных векторов и логистическая регрессия
    Линейные методы имеют несколько очень важных подвидов, о которых пойдет речь в этом модуле. Метод опорных векторов максимизирует отступы объектов, что тесно связано с минимизацией вероятности переобучения. При этом он позволяет очень легко перейти к построени...
  • Week 3 - Метрики качества классификации
    В машинном обучении существует большое количество метрик качества, каждая из которых имеет свою прикладную интерпретацию и направлена на измерение конкретного свойства решения. В этом модуле мы обсудим, какие бывают метрики качества бинарной и многоклассовой к...
  • Week 4 - Линейная регрессия
    В этом модуле мы изучим линейные модели для регрессии и обсудим их связь с сингулярным разложением матрицы "объекты-признаки".
  • Week 4 - Понижение размерности и метод главных компонент
    В прикладных задачах часто возникает потребность в уменьшении количества признаков — например, для ускорения работы моделей. В этом модуле мы обсудим подходы к отбору признаков, а также изучим метод главных компонент, один из самых популярных методов понижения...
  • Week 5 - Композиции алгоритмов
    Объединение большого числа моделей в композицию может значительно улучшить итоговое качество за счет того, что отдельные модели будут исправлять ошибки друг друга. В этом модуле мы обсудим основные понятия и постановки задач, связанные с композициями, и обсуди...
  • Week 5 - Нейронные сети
    Нейронные сети позволяют находить сложные нелинейные разделяющие поверхности, благодаря чему широко используются в таких трудных задачах, как распознавание изображений и речи. В этом модуле мы изучим многослойные нейронные сети и их настройку с помощью метода ...
  • Week 6 - Кластеризация и визуализация
    Этот модуль посвящен новому классу задач в машинном обучении — обучению без учителя. Под этим понимаются ситуации, в которых нужно найти структуру в данных или произвести их "разведку". В этом модуле мы обсудим две таких задачи: кластеризацию (поиск групп схо...
  • Week 6 - Частичное обучение
    Под частичным обучение понимается задача, находящаяся между обучением с учителем и кластеризацией: дана выборка, в которой значение целевой переменной известно лишь для части объектов. Такие ситуации встречаются, когда разметка объектов является дорогой операц...
  • Week 7 - Машинное обучение в прикладных задачах
    В этом модуле мы подведем итоги курса, вспомним основные этапы решения задачи анализа данных. Также мы разберем несколько задач из прикладных областей, чтобы подготовиться к выполнению финального проекта.

Prérequis

Aucun.

Intervenants

Константин Вячеславович Воронцов
Профессор
Факультет компьютерных наук НИУ ВШЭ, Школа анализа данных Яндекса

Evgeny Sokolov
Senior Lecturer
HSE Faculty of Computer Science

Éditeur

L'Université nationale de recherche « École des hautes études en sciences économiques » (EHESE), de Moscou a été fondée en 1992 à l'initiative d'économistes russes.

Université d'État depuis 2001, d'abord sous tutelle du ministère du développement économique, elle est depuis 2008 un établissement d'enseignement supérieur et de recherche rattaché directement au gouvernement de la fédération de Russie. Son statut actuel d'université nationale de recherche de Russie lui a été conféré en 2009, après un concours inter-universitaire.

Elle est connue à l'international sous le nom de Higher School of Economics (HSE).

Outre Moscou, l'école possède trois campus-filiales : à Saint-Pétersbourg, Nijni Novgorod et Perm.

Régulièrement classée dans le Top 100 des meilleures universités mondiales selon le QS World University Rankings, elle est la seconde plus réputée4 de Russie.

Plateforme

Coursera est une entreprise numérique proposant des formations en ligne ouverte à tous fondée par les professeurs d'informatique Andrew Ng et Daphne Koller de l'université Stanford, située à Mountain View, Californie.

Ce qui la différencie le plus des autres plateformes MOOC, c'est qu'elle travaille qu'avec les meilleures universités et organisations mondiales et diffuse leurs contenus sur le web.

Ce contenu est noté 4.5 sur 5
(aucun avis)
Ce contenu est noté 4.5 sur 5
(aucun avis)
Complétez cette ressource pour donner votre avis