Course Summary
This course is an introduction to machine learning, covering supervised and unsupervised learning, linear regression, classification, clustering, and more.Key Learning Points
- Learn the basics of machine learning algorithms and models
- Understand how to apply machine learning to real-world problems
- Gain hands-on experience with programming and data analysis
Related Topics for further study
Learning Outcomes
- Understand the basics of machine learning
- Apply machine learning techniques to real-world problems
- Gain hands-on experience with programming and data analysis
Prerequisites or good to have knowledge before taking this course
- Some programming experience in Python
- Basic knowledge of linear algebra and calculus
Course Difficulty Level
BeginnerCourse Format
- Online
- Self-paced
Similar Courses
- Applied Machine Learning
- Machine Learning for Everyone
- Data Science Essentials
Related Education Paths
Related Books
Description
Не так давно получил распространение термин «большие данные», обозначивший новую прикладную область — поиск способов автоматического быстрого анализа огромных объёмов разнородной информации. Наука о больших данных ещё только оформляется, но уже сейчас она очень востребована — и в будущем будет востребована только больше.
Outline
- Знакомство с анализом данных и машинным обучением
- Об университете
- Видеоролик о курсе
- Формальная постановка задачи машинного обучения
- Примеры применения машинного обучения — 1
- Примеры применения машинного обучения — 2
- Проблема переобучения. Методология решения задач машинного обучения.
- Об университете
- Приветствие и вводная информация
- Правила академической честности на курсе
- FAQ
- Python для анализа данных
- Работа с векторами и матрицами в NumPy
- Основные понятия машинного обучения
- Логические методы классификации
- Решающие деревья
- Алгоритм построения решающего дерева
- Обработка пропусков. Достоинства и недостатки решающих деревьев.
- Способы устранения недостатков решающих деревьев
- Решающие деревья
- Метрические методы классификации
- Метод ближайших соседей
- Метод окна Парзена
- Метрические методы классификации в задаче восстановления регрессии
- Обнаружение выбросов
- Метрические методы
- Линейные методы классификации
- Метод стохастического градиента. Постановка задачи.
- Градиентные методы численной минимизации и алгоритм SG
- Алгоритм SAG
- Метод стохастического градиента. Достоинства и недостатки.
- Проблема переобучения
- Линейные методы и градиентный спуск
- Метод опорных векторов и логистическая регрессия
- Метод опорных векторов
- Метод опорных векторов. Обобщение для нелинейного случая
- Логистическая регрессия
- Пример применения логистической регрессии
- Регуляризованная логистическая регрессия
- Особенности метода опорных векторов
- Логистическая регрессия
- Метрики качества классификации
- Метрики качества классификации — 1
- Метрики качества классификации — 2
- Многоклассовая классификация
- Метрики качества классификации
- Линейная регрессия
- Решение задачи многомерной линейной регрессии с помощью сингулярного разложения
- Гребневая регрессия
- Метод LASSO
- Понижение размерности и метод главных компонент
- Метод главных компонент
- Композиции алгоритмов
- Бэггинг и случайный лес
- Градиентный бустинг
- Градиентный бустинг: модификации и эвристики
- Композиционные методы
- Нейронные сети
- Нейронные сети. Введение.
- Нейронные сети. Метод обратного распространения ошибки
- Нейронные сети. Стандартные эвристики — 1
- Нейронные сети. Стандартные эвристики — 2
- Нейронные сети
- Кластеризация и визуализация
- Кластеризация
- Иерархическая кластеризация
- Нелинейные методы понижения размерности
- Частичное обучение
- Постановка задачи частичного обучения
- Применение кластеризации в решении задач частичного обучения
- Применение классификации в решении задач частичного обучения
- Машинное обучение в прикладных задачах
- Этапы анализа данных
- Работа с числовыми признаками
- Работа с категориальными и текстовыми признаками
- Предобработка данных
- Оценивание качества
- Обзор алгоритмов
Summary of User Reviews
This course on Introduction to Machine Learning has received high praise from users. Many users appreciated the practical approach to teaching, making it easier to understand complex concepts.Key Aspect Users Liked About This Course
Practical approach to teachingPros from User Reviews
- Clear and concise explanations of complex concepts
- Hands-on exercises and projects to reinforce learning
- Excellent community support from peers and instructors
- Great introduction to machine learning for beginners
- High-quality video lectures
Cons from User Reviews
- Some users found the pacing too slow or too fast
- Not enough depth in some areas of the course
- Limited coverage of advanced machine learning techniques
- Some technical issues with the platform
- Certificate of completion is not recognized by some employers
Константин Вячеславович Воронцов
4.7 Raiting
Машинное обучение для руководителей
- 0.0
-
![]()
![]()
![]()
![]()
![]()
Данные — золото цифрового мира. Невозможно управлять современной цифровой компанией без знаний основ машинного обучения. Курс по машинному обучению для руководителей — это выжимка знаний и практического опыта....
Основы программирования на Python
- 4.5
-
![]()
![]()
![]()
![]()
![]()
Язык программирования Python является одним из самых простых в освоении и популярных языков программирования. Также слушатели познакомятся с основами различных парадигм программирования: процедурным, функциональным и объектно-ориентированным программированием....
Машинное обучение в финансах
- 4.5
-
![]()
![]()
![]()
![]()
![]()
Машинное обучение (Machine Learning, или ML) — это дисциплина о том, как на основе различных алгоритмов обучить компьютер распознавать, классифицировать и предсказывать объекты....
Основы машинного обучения
- 0.0
-
![]()
![]()
![]()
![]()
![]()
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....
