Ссылка на сертификат: https://courses.edx.org/certificates/34a2b6657ce84b7db8b8398f36255d9c

Этот курс является частью микромагистратуры по науке о данных и статистике на платформе Edx, которая следует за «Основами статистики» и перед факультативом. По программе 16 недель сдал с оценкой 98/100. В этом посте я хотел бы поговорить о некоторых конкретных темах:

· Что побудило меня начать это;

· Содержание курса;

· Экспертиза;

· Часы, посвященные курсу;

Мотивация:

Этот курс является следующим после курса «Основы статистики» на платформе edx, поскольку у меня был большой опыт работы с первым курсом, я подумал, что это даст мне возможность пройти этот курс и, если он мне также понравится, продолжить сертификат микромастера.

Содержание курса:

В течение курса есть 5 больших тем, у вас будет в среднем 2 недели, чтобы завершить занятия, домашнее задание и небольшой проект по программированию по теме.

Линейные классификаторы и обобщения — вводит концепцию машинного обучения и описывает, как работает алгоритм линейных классификаторов;

Нелинейная классификация, линейная регрессия, совместная фильтрация. В нем представлена ​​концепция нелинейных классификаторов с использованием различных типов ядер, полилинейная регрессия с методом наименьших квадратов и рекомендательные системы с использованием K-ближайших соседей, матричная факторизация и т. д.

Нейронные сети. Он начинается с нейронных сетей с прямой связью, рассказывает об обратном распространении и заканчивает объяснением CNN и RNN.

Неконтролируемое обучение — рассказывает о простых алгоритмах кластеризации и о том, как они работают с генеративными и смешанными моделями;

Обучение с подкреплением. В нем представлены концепции марковского процесса принятия решений, уравнений Беллмана и того, как они используются для получения алгоритмов обучения с подкреплением;

На мой взгляд, модули 4 и 5 на сегодняшний день являются лучшими, они углубляют математику и алгоритмы, а проекты намного сложнее. Я провел довольно много времени в проекте Unsupervised Learning, но именно в нем я больше всего понял нюансы вычислений и то, как это влияет на результаты в целом.

Экзамен

Метод оценки этого курса делится на 4 категории:

· 16% на занятия упражнениями;

· 13% на домашнее задание;

· 38% на проекты;

· 33% на экзаменах;

В каждом модуле есть занятия с упражнениями, которые необходимо выполнять во время занятий, домашнее задание и проект необходимо выполнить в конце модуля. Все они должны быть закончены до определенной заранее установленной даты.

В курсе 19 занятий с упражнениями, 5 домашних заданий и 5 проектов. Так же есть 2 экзамена, один промежуточный и один итоговый, первый отвечает за 13% вашей оценки, последние 20%.

Часы, посвященные курсу:

По словам сотрудников курса, они предлагают в среднем посвящать от 10 до 15 часов в неделю между занятиями, домашними заданиями и дополнительными занятиями, это время будет зависеть от того, насколько хорошо вы доминируете в темах, о которых думаете.

Поскольку я уже знал концепции, я быстро закончил занятия и большую часть времени тратил на проекты. Были недели, когда я тратил меньше 4 часов, но в те недели, которые нужно закончить проект, я пойду с 10. В среднем я был в 7 или 8 часов в неделю.

Если вы не знаете концепции курса или новичок в программировании, я думаю, что вам нужно найти другие ресурсы, поскольку занятия были слишком простыми, вы, вероятно, потратили 15 часов, которые предлагают сотрудники.

Я также зарезервировал полные выходные для экзаменов (после того, как вы начали, у вас есть 48 часов, чтобы закончить их). Мне требовалось около 3 часов, чтобы закончить экзамен, затем я несколько раз пересматривал некоторые из самых сложных вопросов, прежде чем отправлять их.

Последние мысли

Этот курс не так хорош, как «Основы статистики», я бы не рекомендовал его в качестве первого курса для тех, кто хочет изучать машинное обучение. На таких платформах, как Coursera, больше ресурсов, которые углубятся в алгоритмы и математику. Я бы порекомендовал этот курс только тем, кто уже знаком с машинным обучением и хочет применить его в некоторых проектах (перед тем, как отправиться на соревнования Kaggle).