В минулому році мені вдалося завершити спеціалізацію на Coursera під назвою Advanced Machine Learning і хотілося б поділитися думкою про цей набір курсів.

Для початку загальна інформація. Спеціалізація складається з 7-и курсів, кожен розрахований на 5-6 тижнів роботи, тобто на цілу спеціалізацію необхідно виділити не менше ніж півроку. Звичайно можна спробувати завершити все швидше, але якщо у вас є постійна робота, то досягти такої цілі буде край тяжко. Також слід зауважити, що на деякі технічні завдання необхідно виділити кілька годин вашого часу, а на декотрі навіть цілий день. Всі курси підготовлені Національним дослідницьким університетом Вища школа економіки (Росія), тому на початку сильний російський акцент лекторів різав вуха, але з часом я до цього звик і в подальшому не звертав жодгої уваги.

Якщо порівнювати ці курси з іншими спеціалізаціями, то мені найбільше бракувало певної систематичності. Відчувалося, що кожен курс підготовлений окремою групою людей, які не узгоджувало між собою структуру курсів, стиль лекцій, варіанти оцінювання знань, тощо. Також слід бути готовим до того, що лекції будуть читатися величезним колективом людей (21 інструктор!!!), а дивлячися на вміння окремих з них (без імен) виникало враження, що ректор поставив завдання залучити кожного працівника незалежно від талантів.

Якщо коротко, то я не рекомендую цю спеціалізацію для проходження в цілому. На мою думку в інтернеті можна знайти або кращі курси або просто книжки, в яких ця інформація пояснена більш зрозуміло і з кращими прикладами. Єдиною причиною проходження цілою спеціалізації може бути диплом, який ви отримаєте в кінці, але вважаю що як мінімум 300$ цього не варті. Тим не менш були окремі курси, які мені дуже сподобалися, тому нижче я пройдуся по кожному курсу окремо, щоб було зрозуміло, що очікувати від кожного з них.

1. Introduction to deep learning. Моя особиста думка, що цей курс потрібний тільки для того, щоб перевірити чи вам взагалі варто проходити спеціалізацію. Якщо цей курс є занадто тяжким для вас – тоді взагалі не варто навіть братися за цю спеціалізацію. Курс не ставить на меті навчити вас чогось нового, це лише короткий конспект спеціалізації Machine Learning. За кілька тижнів лектори спробують вам нагадати різні техніки вирішення задач з машинного навчання, коротко розкажуть про CNN та RNN. З позитивного назву тільки фінальний проект в якому необхідно натренувати мережі для генерації опису зображень – цікаве практичне завдання.
2. How to Win a Data Science Competition: Learn from Top Kagglers. Якщо б мене запитали, який курс я найбільше рекомендую зі спеціалізації то я виберу саме цей. Тут можна здобути багато практичних навичок, які швидше за все знадобляться вам у вирішенні завдань з машинного навчання в майбутньому. Також слід похвалити лекторів. Більшість з них це люди, які часто займають призові місця в різних змаганнях на платформі Kaggle, тому на відміну від інших курсів замітно, що люди люблять свою справу і з великою радістю діляться знаннями. Ну і окрема похвала фінальному завданні. Не очікуйте, що вам вдасться виконати його за один вечір, найкраще взятися за нього на початку курсу і помаленьку рухатися вперед впродовж кількох тижнів.
3. Bayesian Methods for Machine Learning. Для мене це був один з найтяжчих курсів, мозок просто закипав. Цей курс можна описати одним словом – математика. Для того, щоб комфортно себе відчувати під час проходження курсу, необхідні дуже глибокі знання з теорії ймовірностей. На превеликий жаль, лектори не виділили часу для пояснення деяких базових речей, тому приходилося багато шукати самому і перелистувати конспекти з мого вузу, але навіть вони не завжди допомагали. Часом навіть шукав на гітхабі готові коди рішень, оскільки не міг зрозуміти описаних методів. Також слід зауважити, що Байесові методи, сильно відрізняються від інших підходів, тому рекомендую спочатку прочитати онлайн і визначити чи воно вам дійсно потрібно.
4. Practical Reinforcement Learning. Цей курс запам’ятався тим, що нічим не запам’ятався. Всі методи по закінченню спеціалізації, просто вилетіли з голови. Для написання цієї статті мусив ще раз переглянути, які були теми підняті та які практичні завдання виконував. Лектори не змогли зацікавити мене матеріалом, часто було незрозуміло чому я маю використовувати той чи інший підхід, бракувало наочних прикладів. Курс просто ніякий.
5. Deep Learning in Computer Vision. По цьому курсу взагалі можна написати окрему статтю, на тему як не варто робити курси (не дивно, що в нього найнижчий рейтинг). Під час проходження курсу в мене виникла проблема, що я почав забувати, те що вже знав по обробці зображень. Окремо хотілося б написати про жахливе домашнє завдання з кінця курсу. Суть полягала в об’єднанні кусків програм з попередніх тижнів в один для розпізнавання облич. Не рекомендую, цим займатися, оскільки на переписування коду і його оптимізацію можна спокійно потратити кілька днів і вам все рівно не вдасться отримати хороший бал. Мені ледь вдалося пройти завдання використовуючи одну з кращих натренованих мереж, яку я зміг знайти онлайн.
6. Natural Language Processing. Цей курс рекомендую до проходження. Перш за все більшість лекторів були дуже позитивними, мотивованими і їх хотілося слухати. По друге, цей курс має хорошу структуру. Останнє – домашні завдання були середньої важкості, але не вимагали від вас кількагодинних тренувань нейронних мереж. Фінальний проект – написання телеграм боту, теж доволі цікаве і практичне завдання.
7. Addressing Large Hadron Collider Challenges by Machine Learning. Що цей курс робить в цій спеціалізації я так і не зрозумів. Нічого пов’язаного з машинним навчанням нового ви не вивчити. Лекції загалом цікаві, але в них йдеться про будову адронного колайдера, які задачі вирішуються на ньому і про темну матерію. Домашні завдання теж були досить простими в порівнянні з іншими курсами, здебільшого зводилися до підбору кількох параметрів.