Acerca de este Curso
95,673 vistas recientes

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Nivel intermedio

Aprox. 43 horas para completar

Sugerido: 8 hours/week...

Ruso (Russian)

Subtítulos: Ruso (Russian)

Habilidades que obtendrás

Random ForestPython ProgrammingMachine LearningSupervised Learning

100 % en línea

Comienza de inmediato y aprende a tu propio ritmo.

Fechas límite flexibles

Restablece las fechas límite en función de tus horarios.

Nivel intermedio

Aprox. 43 horas para completar

Sugerido: 8 hours/week...

Ruso (Russian)

Subtítulos: Ruso (Russian)

Programa - Qué aprenderás en este curso

Semana
1
9 horas para completar

Машинное обучение и линейные модели

Добро пожаловать на курс "Обучение на размеченных данных"! В этом модуле вы узнаете, что такое машинное обучение, какие в нём бывают постановки задачи, и что особенного в обучении на размеченных данных. Затем вы изучите один из основных способов решения задач обучения на размеченных данных — предсказание с помощью линейных моделей. Мы обсудим, как их настраивать и применять в задачах регрессии и классификации. В практических заданиях вы поработаете с настоящими данными и узнаете, какие проблемы в них можно обнаружить, а также попробуете делать прогнозы при помощи линейных моделей.

...
13 videos (Total 82 minutos), 8 readings, 8 quizzes
13 videos
Как устроена специализация, и зачем ее проходить3m
МФТИ1m
Знакомство с машинным обучением11m
Обучение на размеченных данных5m
Обучение без учителя5m
Признаки в машинном обучении8m
Линейные модели в задачах регрессии9m
Обучение линейной регрессии6m
Градиентный спуск для линейной регрессии7m
Стохастический градиентный спуск4m
Линейная классификация6m
Функции потерь в задачах классификации6m
8 lecturas
Формат специализации и получение сертификата10m
Немного о Yandex10m
МФТИ10m
Forum&Chat10m
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
6 ejercicios de práctica
Основные термины в машинном обучении6m
Типы задач в машинном обучении6m
Машинное обучение: задачи и признаки12m
Линейная регрессия4m
Градиентный спуск4m
Линейные модели8m
Semana
2
9 horas para completar

Борьба с переобучением и оценивание качества

Вторая неделя нашего курса будет посвящена общим вопросам, с которыми приходится столкнуться в любой задаче анализа данных. Вы узнаете, что такое проблема переобучения, из-за чего она возникает, как её можно обнаружить и как с ней бороться — в частности, вы познакомитесь с кросс-валидацией, с помощью которой можно оценить способность алгоритма давать хорошие предсказания на новых данных. Далее речь пойдёт о метриках качества — без них невозможно понять, подходит ли алгоритм для решения той или иной задачи. Наконец, вы познакомитесь с библиотекой scikit-learn, которая является одним из основных инструментов современных специалистов по анализу данных.

...
14 videos (Total 126 minutos), 9 readings, 8 quizzes
14 videos
Регуляризация7m
Оценивание качества алгоритмов7m
Сравнение алгоритмов и выбор гиперпараметров4m
Метрики качества в задачах регрессии10m
Метрики качества классификации4m
Точность и полнота8m
Объединение точности и полноты5m
Качество оценок принадлежности классу12m
Встроенные датасеты. Sklearn.datasets15m
Кросс-валидация. Sklearn.cross_validation9m
Линейные модели. Sklearn.linear_model. Классификация10m
Линейные модели. Sklearn.linear_model. Регрессия7m
Метрики качества. Sklearn.metrics13m
9 lecturas
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
Встроенные датасеты. Sklearn.datasets (ipython notebook)10m
Кросс-валидация. Sklearn.cross_validation (ipython notebook)10m
Линейные модели. Sklearn.linear_model. Классификация (ipython notebook)10m
Линейные модели. Sklearn.linear_model. Регрессия (ipython notebook)10m
Метрики качества. Sklearn.metrics (ipython notebook)10m
6 ejercicios de práctica
Проблема переобучения6m
Проблема переобучения и борьба с ней10m
Как измерить качество алгоритма?6m
Метрики качества10m
Встроенные датасеты и кросс-валидация8m
Введение в scikit-learn10m
Semana
3
7 horas para completar

Линейные модели: классификация и практические аспекты

Добро пожаловать на третью неделю курса! Вы уже поработали с линейными моделями, научились измерять их качество и устранять переобучение с помощью регуляризации. Пришло время разобраться, почему регуляризация действительно помогает уменьшить сложность модели или произвести отбор признаков — об этом пойдёт речь в первом уроке. Там же вы познакомитесь с логистической регрессией, которая является одним из наиболее популярных методов для решения задач классификации. Далее вы узнаете о некоторых важных нюансах работы с линейными моделями: масштабировании признаков, переходе в новые признаковые пространства и т.д. Мы не только расскажем обо всём этом, но и покажем, как оно работает в Python и библиотеке scikit-learn.

...
14 videos (Total 97 minutos), 7 readings, 7 quizzes
14 videos
Метод максимального правдоподобия4m
Регрессия как максимизация правдоподобия2m
Регрессия как оценка среднего4m
Регуляризация8m
Задача оценивания вероятностей и логистическая регрессия8m
Масштабирование признаков6m
Спрямляющие пространства5m
Работа с категориальными признаками4m
Несбалансированные данные5m
Многоклассовая классификация4m
Подбор параметров по сетке. Sklearn.grid_search9m
Задача: bike sharing demand15m
Задача: bike sharing demand. Продолжение13m
7 lecturas
Слайды к лекциям10m
Конспект10m
Слайды к лекциям10m
Конспект10m
Подбор параметров по сетке. Sklearn.grid_search (ipython notebook)10m
Задача Bike Sharing Demand (ipython notebook)10m
Задача Bike Sharing Demand. Продолжение (ipython notebook)10m
6 ejercicios de práctica
Метод максимального правдоподобия6m
Линейные модели: статистический взгляд14m
Линейные модели: подготовка признаков6m
Линейные модели: практические аспекты6m
Подбор параметров по сетке6m
Анализ данных в scikit-learn12m
Semana
4
10 horas para completar

Решающие деревья и композиции алгоритмов

Линейные модели — очень важный и полезный, но слишком простой класс алгоритмов в машинном обучении; не во всех задачах они позволяют добиться желаемого качества. В этом модуле вы познакомитесь с новым семейством алгоритмов — решающими деревьями. Они во многом являются полной противоположностью линейных моделей. В частности, сами по себе они очень сложны и подвержены переобучению. При этом оказывается, что если объединить много деревьев в одну сложную модель, то можно получить очень качественное решение. Об этом крайне важном подходе — построении композиций решающих деревьев — мы в основном и будем говорить на этой неделе.

...
17 videos (Total 114 minutos), 10 readings, 8 quizzes
17 videos
Обучение решающих деревьев6m
Критерии информативности7m
Критерии останова и стрижка деревьев4m
Решающие деревья и категориальные признаки8m
Решающие деревья в sklearn10m
Композиции деревьев6m
Смещение и разброс9m
Случайные леса6m
Трюки со случайными лесами4m
Случайные леса в sklearn7m
Композиции простых алгоритмов5m
Градиентный бустинг7m
Борьба с переобучением в градиентном бустинге6m
Градиентный бустинг для регрессии и классификации4m
Градиентный бустинг над решающими деревьями5m
Градиентный бустинг в XGBoost5m
10 lecturas
Решающие деревья в sklearn (ipython notebook)10m
Слайды к лекциям10m
Конспект10m
Случайные леса в sklearn (ipython notebook)10m
Слайды к лекциям10m
Конспект10m
XGBoost10m
Градиентный бустинг в XGBoost (ipython notebook)10m
Слайды к лекциям10m
Конспект10m
6 ejercicios de práctica
Построение решающих деревьев8m
Решающие деревья14m
Бэггинг6m
Композиции и случайные леса8m
Обучение композиций и градиентный бустинг4m
Градиентный бустинг: обучение и практические аспекты8m
4.8
252 revisionesChevron Right

50%

comenzó una nueva carrera después de completar estos cursos

58%

consiguió un beneficio tangible en su carrera profesional gracias a este curso

33%

consiguió un aumento de sueldo o ascenso

Principales revisiones sobre Обучение на размеченных данных

por RNJan 21st 2017

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

por YDAug 8th 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.

Instructores

Avatar

Константин Воронцов

доктор физико-математических наук, профессор
Кафедра интеллектуальных систем

Acerca de Instituto de Física y Tecnología de Moscú

Московский физико-технический институт (Физтех) является одним из ведущих вузов страны и входит в основные рейтинги лучших университетов мира. Институт обладает не только богатой историей – основателями и профессорами института были Нобелевские лауреаты Пётр Капица, Лев Ландау и Николай Семенов – но и большой научно-исследовательской базой. Основой образования в МФТИ является уникальная «система Физтеха», сформулированная Петром Капицей: кропотливый отбор одаренных и склонных к творческой работе абитуриентов; участие в обучении ведущих научных работников; индивидуальный подход к отдельным студентам с целью развития их творческих задатков; воспитание с первых шагов в атмосфере технических исследований и конструктивного творчества с использованием потенциала лучших лабораторий страны. Среди выпускников МФТИ — нобелевские лауреаты Андрей Гейм и Константин Новоселов, основатель компании ABBYY Давид Ян, один из авторов архитектурных принципов построения вычислительных комплексов Борис Бабаян и др....

Acerca de Yandex

Yandex is a technology company that builds intelligent products and services powered by machine learning. Our goal is to help consumers and businesses better navigate the online and offline world....

Acerca del programa especializado Машинное обучение и анализ данных

Мы покажем, как проходит полный цикл анализа, от сбора данных до выбора оптимального решения и оценки его качества. Вы научитесь пользоваться современными аналитическими инструментами и адаптировать их под особенности конкретных задач. В рамках специализации вы освоите основные темы, необходимые в работе с большим массивом данных, в т.ч. современные методы классификации и регрессии, поиск структуры в данных, проведение экспериментов, построение выводов, базовая фундаментальная математика, основы программирования на Python. Мы разберём, как построить рекомендательную систему, оценить эмоциональную окраску текста, спрогнозировать спрос на товар, оценить вероятность клика по рекламе и т.д. В финале вам потребуется выполнить проект собственной системы, решающей любую актуальную для бизнеса задачу. Результатом будет наглядная работающая модель, которую вы сможете использовать в вашей повседневной работе или продемонстрировать на собеседовании. Все, прошедшие специализацию, могут принять участие в Программе трудоустройства. Если вы заинтересованы в новых проектах, новых перспективах и возможностях - пройдите обучение по Специализации и подайте заявку....
Машинное обучение и анализ данных

Preguntas Frecuentes

  • Una vez que te inscribes para obtener un Certificado, tendrás acceso a todos los videos, cuestionarios y tareas de programación (si corresponde). Las tareas calificadas por compañeros solo pueden enviarse y revisarse una vez que haya comenzado tu sesión. Si eliges explorar el curso sin comprarlo, es posible que no puedas acceder a determinadas tareas.

  • Cuando te inscribes en un curso, obtienes acceso a todos los cursos que forman parte del Programa especializado y te darán un Certificado cuando completes el trabajo. Se añadirá tu Certificado electrónico a la página Logros. Desde allí, puedes imprimir tu Certificado o añadirlo a tu perfil de LinkedIn. Si solo quieres leer y visualizar el contenido del curso, puedes auditar el curso sin costo.

¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.