- De www.coursera.org
Введение в машинное обучение
Curso
ru
Russo
35 h
Este conteúdo é classificado como 0 de 5
- Individualizado
- Acesso livre
- Certificado pago
- 7 sequências
- Introductive Level
Detalhes do curso
Programa de Estudos
- 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.
Pré-requisito
Nenhum.
Instrutores
Константин Вячеславович Воронцов
Профессор
Факультет компьютерных наук НИУ ВШЭ, Школа анализа данных Яндекса
Evgeny Sokolov
Senior Lecturer
HSE Faculty of Computer Science
Editor
A Universidade Nacional de Investigação "Escola de Estudos Avançados em Economia" (EHESE), em Moscovo, foi fundada em 1992 por iniciativa de economistas russos.
Universidade estatal desde 2001, inicialmente sob a supervisão do Ministério do Desenvolvimento Económico, é desde 2008 um estabelecimento de ensino superior e de investigação diretamente ligado ao governo da Federação Russa. O seu atual estatuto de universidade nacional de investigação da Rússia foi conferido em 2009, na sequência de um concurso inter-universitário.
É conhecida internacionalmente como a Escola Superior de Economia (HSE).
Para além de Moscovo, a escola tem três campus subsidiários em São Petersburgo, Nizhny Novgorod e Perm.
Regularmente classificada no Top 100 das melhores universidades do mundo pelo QS World University Rankings, é a segunda mais reputada4 na Rússia.
Plataforma
A Coursera é uma empresa digital que oferece um curso on-line massivo e aberto, fundado pelos professores de computação Andrew Ng e Daphne Koller Stanford University, localizado em Mountain View, Califórnia.
O Coursera trabalha com as melhores universidades e organizações para disponibilizar alguns dos seus cursos on-line e oferece cursos em várias disciplinas, incluindo: física, engenharia, humanidades, medicina, biologia, ciências sociais, matemática, negócios, ciência da computação, marketing digital, ciência de dados. e outros assuntos.Cours
Este conteúdo é classificado como 4.5 de 5
(nenhuma revisão)Este conteúdo é classificado como 4.5 de 5
(nenhuma revisão)Conclua este recurso para fazer uma avaliação