Основы машинного обучения
Offered By: Higher School of Economics via Coursera
Course Description
Overview
Сейчас термины “машинное обучение” или даже “искусственный интеллект” у всех на слуху. Местами это преувеличение и хайп, но у машинного обучения действительно есть много полезных и важных применений. Вы сталкиваетесь с этим каждый день: когда вы ищете что-то в интернете, поисковик предлагает вам странички на основе сложного сопоставления текстов и анализа ваших данных; когда вы жалуетесь в службу поддержки какого-нибудь сервиса или магазина, с большой вероятностью вам отвечает бот; если у вас умные часы, то они, вероятно, используют методы машинного обучения, чтобы понимать, когда вы сидите, стоите или бегаете.
В этом онлайн-курсе НИУ ВШЭ вы можете разобраться с принципами работы методов машинного обучения. Речь пойдёт об обучении с учителем — областью, которая изучена лучше всего и методы из которой наиболее часто используются на практике. Мы обсудим метрические и линейные методы, и на их примере разберём все ключевые концепции: обобщающую способность и переобучение, градиентные методы обучения, измерение качества модели и специализированные метрики качества, подготовку данных для моделей. Мы будем показывать, как это всё делается в Python с помощью его библиотек.
По итогам курса вы поймёте, как устроены все ключевые моменты в машинном обучении, а также получите хороший практический опыт подготовки данных, их визуализации, построения и анализа моделей.
В этом онлайн-курсе НИУ ВШЭ вы можете разобраться с принципами работы методов машинного обучения. Речь пойдёт об обучении с учителем — областью, которая изучена лучше всего и методы из которой наиболее часто используются на практике. Мы обсудим метрические и линейные методы, и на их примере разберём все ключевые концепции: обобщающую способность и переобучение, градиентные методы обучения, измерение качества модели и специализированные метрики качества, подготовку данных для моделей. Мы будем показывать, как это всё делается в Python с помощью его библиотек.
По итогам курса вы поймёте, как устроены все ключевые моменты в машинном обучении, а также получите хороший практический опыт подготовки данных, их визуализации, построения и анализа моделей.
Syllabus
- Основные понятия и задачи в машинном обучении
- Метод k ближайших соседей
- Линейная регрессия
- Обучение моделей градиентными методами
- Линейная классификация: общие принципы
- Линейная классификация: методы
Taught by
Evgeny Sokolov and Andrei Zimovnov
Tags
Related Courses
Introduction to Artificial IntelligenceStanford University via Udacity Natural Language Processing
Columbia University via Coursera Probabilistic Graphical Models 1: Representation
Stanford University via Coursera Computer Vision: The Fundamentals
University of California, Berkeley via Coursera Learning from Data (Introductory Machine Learning course)
California Institute of Technology via Independent