Гос. проект дистанц. общедоступ. образования, вкл. высшее. Алфавитный.

Многие ВУЗ-ы ссылаются на МООК, не давая ссылок Онлайн-курсы от Первого электротехнического университета. ЛЭТИ. СПб. или давая нерабочие ссылки. То есть вместо собственной платформы они выбросили сделанные ими курсы в так называемое международное сообщество.

https://www.my-mooc.com/ru/cgu
"Propriétaire : EDFLEX SAS – Capital social de 18 333,4€ – SIREN: 818642134 – Numéro de TVA: FR01818642134 – 4 Rue Jules Lefebvre, 75009 Paris
Responsable publication : RIVERON Philippe – contact@edflex.com
Webmaster : LESAINT Rémi – contact@edflex.com
Hébergeur : Amazon Web Services EMEA SARL – 38 Avenue John F. Kennedy, L-1855 L-1855 Luxembourg – Téléphone : 01 46 17 10 00
Délégué à la protection des données : Yaël COHEN HADRIA – dpo@edflex.com"
с французского в переводчике
"Владелец: EDFLEX SAS - Акционерный капитал €18 333,4 - СИРЕН:  818642134 - Номер НДС: FR01818642134 - 4 Rue Jules Lefebre, 75009 Paris
Ответственное издание: РИВЕРОН Филипп - contact@edflex.com
Вебмастер: ЛЕСАИНТ Реми - contact@edflex.com
Хостер: Amazon Web Services EMEA SARL - 38 Avenue Джон Ф. Кеннеди, L-1855 L-1855 Люксембурге - Телефон: 01 46 17 10 00
Делегат по защите данных: Яэль КОЭН ХАДРИЯ - dpo@edflex.com"

https://www.my-mooc.com/ru/privacy-policy
"My Mooc ("My Mooc" or "we") may collect and process personal data ("Data") relating to the Website visitors (or "you"). Data protection is a top concern for us. Hence, this Privacy Policy allows us to inform you about how we collect, use and manage Data, in compliance with applicable local legislation relating to personal data and privacy, and in particular in compliance with the EU General Data Protection Regulation 2016/679 of April 27, 2016 ("GDPR").

My Mooc also offers an optional, available for a fee, payment card service (EDCARD) to authorized users. Whenever the customer demands this option, the service is provided by the payment service provider Treezor. Use of the payment card is subject to the acceptance of the Treezor Privacy Policy.

1. DATA PROCESSING PURPOSES
Your Data may only be used for:

• Enabling your account creation and login;

• Answering any request, queries or inquiries you may submit;

• Hosting your Data;

• Improving our services and the Website functionalities;

• Ensuring the security of the Website;

• Ensuring the exercise of your rights and the defence of our rights;

• Analysing the statistics of use of the Website.

We may process your Data on several grounds: (i) with your consent, which you may withdraw at any time; (ii) where it is necessary for the provision of our services or to respond to your requests; (iii) where it enables us to comply with a legal obligation to which we are subject; (iv) to ensure our legitimate interests relating to the security of the Website, its proper functioning and to interact with you.

If you no longer wish to receive communications from us, you may either set your preferences by going to your user profile section under the "Settings" tab, or you may click on the unsubscribe link contained in our emails. You may also contact us at the following address: contact[at]edflex.com

2. PROCESSED DATA
We may only process the Data which is strictly necessary to achieve the purposes specified. This Data is collected directly from you when you contact us or throughout the use of the Website (id, contact details, viewed content, connection data, data arising from technical cookies or tracers with your consent, preferences, type of requests and any other information you may provide us on the Website forms).

As soon as it is necessary, we thank you for updating your Data.

3. DATA RECIPIENTS
We may only share your Data with our contractors and partners when necessary to fulfil one of the purposes mentioned above. Your name may be shared with other users of the Website when you recommend content. Finally, upon the receipt of a specific request, your Data may be transferred to third parties legally entitled to access it in certain cases provided for by the law (e.g., a request in connection with civil or criminal proceedings). Your Data may also be communicated to third parties if it is necessary to conserve and/or defend our rights, or to ensure compliance with these provisions.

We take care to work with subcontractors who do not transfer your Data outside the European Union. To learn more about the appropriate safeguards in place in this regard, you can contact us at dpo[at]edflex.com

4. DATA RETENTION PERIODS
We will only keep your Data for 3 years from your last login, unless you request the deletion of the Data.

We also keep your Website connection logs for a period of 6 months for security purposes. In addition, in accordance with the applicable legislation, the Data necessary for the defence of our rights is kept for a period of 5 years after our contractual and/or business relationship lasts.

However, your Data may be kept for a longer period if a longer retention period is allowed or imposed by virtue of a legal, contractual, tax or social obligation.

5. YOUR RIGHTS
In accordance with European data privacy laws (in particular Articles 15 to 22 of the EU GDPR), you have the following rights regarding the processing of your Data, within the legal limits:

Right of access: to obtain information about your Data and a copy of your Data;

Right to information: to obtain information on the conditions of the processing (recipients, purposes, categories of data, etc.);

Right of rectification: to correct or update your Data when it is inaccurate or incomplete;

Right to object : to object the carrying out of a processing operation for reasons related to your specific situation, or to withdraw your consent for processing operations based upon this legal basis;

Right to withdraw consent, where consent is the legal basis for processing;

Right to limitation: to ask not to process all or part of the Data temporarily, without asking to delete them;

Right to erasure: to request the deletion of its Data. This right cannot be applied if the processing of the data is necessary by virtue of a legal provision, particularly regarding applicable provisions relating to the prevention of money laundering and terrorism .

Right to portability: to obtain one's Data in a structured, machine-readable format and to be able to transmit it easily to a third party;

The right to define specific guidelines for the processing of his or her post-mortem Data.

You can exercise your rights via the contact address mentioned below. In case of doubt about your identity, you may be asked to provide a proof of identity. We may reject any request that is abusive or unfounded with regard to the applicable laws and regulations.

When you exercise your rights, we undertake to respond to you as soon as possible and, in any event, within the timeframe required by the applicable law.

You also have the right to complain to a supervisory authority in the country of your residence or to our Data Protection Officer by using the following contact: dpo[at]edflex.com

6. CONTACT
If you would like any further information, or have any questions or concerns, regarding your personal data, please email us at dpo[at]edflex.com"

Спёрли у нас и нам же продают:
https://www.my-mooc.com/ru/mooc/vvedeni … buchenie/#
ВВЕДЕНИЕ В МАШИННОЕ ОБУЧЕНИЕ
Обучение платное
"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. С её помощью можно решать невероятные задачи: оценивать состояние печени по кардиограмме, предсказывать зарплату по описанию вакансии, предлагать пользователю музыку на основании его анкеты в интернете. Большими данными может оказаться что угодно: результаты научных экспериментов, логи банковских транзакций, метеорологические наблюдения, профили в социальных сетях — словом, всё, что может быть полезно проанализировать. Самым перспективным подходом к анализу больших данных считается применение машинного обучения — набора методов, благодаря которым компьютер может находить в массивах изначально неизвестные взаимосвязи и закономерности. На факультете компьютерных наук ВШЭ и в Школе анализа данных есть люди, активно использующие машинное обучение и разрабатывающие новые подходы к нему. Именно они — преподаватели этого курса. Вы изучите основные типы задач, решаемых с помощью машинного обучения — в основном речь пойдёт о классификации, регрессии и кластеризации. Узнаете об основных методах машинного обучения и их особенностях, научитесь оценивать качество моделей — и решать, подходит ли модель для решения конкретной задачи. Наконец, познакомитесь с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества. Для работы мы будем использовать реальные данные из реальных задач. Краткая программа курса: Неделя 1. Введение. Примеры задач. Логические методы: решающие деревья и решающие леса. Неделя 2. Метрические методы классификации. Линейные методы, стохастический градиент. Неделя 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации. Неделя 4. Линейная регрессия. Понижение размерности, метод главных компонент. Неделя 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети. Неделя 6. Кластеризация и визуализация. Частичное обучение. Неделя 7. Прикладные задачи анализа данных: постановки и методы решения. Слушателю нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах. Для выполнения практических заданий потребуются базовые навыки программирования. Очень желательно знать Python. Задания рассчитаны на использование этого языка и его библиотек numpy, pandas и scikit-learn. Чтобы успешно завершить курс, нужно набрать проходную сумму баллов за тесты и практические задания, а также выполнить финальный проект, посвящённый решению прикладной задачи анализа данных. Мы уверены, что этот курс будет полезен каждому, кто хочет постичь искусство предсказательного моделирования и освоить интеллектуальный анализ данных.

more_horiz Свернуть
dns
Программа
Week 1 - Знакомство с анализом данных и машинным обучением
Добро пожаловать! В первом модуле курса мы расскажем о задачах, которые решает машинное обучение, определим базовый набор понятий и введем необходимые обозначения. Также мы расскажем про основные библиотеки языка Python для работы с данными (NumPy, Pandas, Sci...
Week 1 - Логические методы классификации
Логические методы делают классификацию объектов на основе простых правил, благодаря чему являются интерпретируемыми и легкими в реализации. При объединении в композицию логические модели позволяют решать многие задачи с высоким качеством. В этом модуле мы изуч...
Week 2 - Метрические методы классификации
Метрические методы проводят классификацию на основе сходства, благодаря чему могут работать на данных со сложной структурой — главное, чтобы между объектами можно было измерить расстояние. Мы изучим метод k ближайших соседей, а также способ его обобщения на за...
Week 2 - Линейные методы классификации
Линейные модели — один из наиболее изученных классов алгоритмов в машинном обучении. Они легко масштабируются и широко применяются для работы с большими данными. В этом модуле мы изучим метод стохастического градиента для настойки линейных классификаторов, поз...
Week 3 - Метод опорных векторов и логистическая регрессия
Линейные методы имеют несколько очень важных подвидов, о которых пойдет речь в этом модуле. Метод опорных векторов максимизирует отступы объектов, что тесно связано с минимизацией вероятности переобучения. При этом он позволяет очень легко перейти к построени...
Week 3 - Метрики качества классификации
В машинном обучении существует большое количество метрик качества, каждая из которых имеет свою прикладную интерпретацию и направлена на измерение конкретного свойства решения. В этом модуле мы обсудим, какие бывают метрики качества бинарной и многоклассовой к...
Week 4 - Линейная регрессия
В этом модуле мы изучим линейные модели для регрессии и обсудим их связь с сингулярным разложением матрицы "объекты-признаки".
Week 4 - Понижение размерности и метод главных компонент
В прикладных задачах часто возникает потребность в уменьшении количества признаков — например, для ускорения работы моделей. В этом модуле мы обсудим подходы к отбору признаков, а также изучим метод главных компонент, один из самых популярных методов понижения...
Week 5 - Композиции алгоритмов
Объединение большого числа моделей в композицию может значительно улучшить итоговое качество за счет того, что отдельные модели будут исправлять ошибки друг друга. В этом модуле мы обсудим основные понятия и постановки задач, связанные с композициями, и обсуди...
Week 5 - Нейронные сети
Нейронные сети позволяют находить сложные нелинейные разделяющие поверхности, благодаря чему широко используются в таких трудных задачах, как распознавание изображений и речи. В этом модуле мы изучим многослойные нейронные сети и их настройку с помощью метода ...
Week 6 - Кластеризация и визуализация
Этот модуль посвящен новому классу задач в машинном обучении — обучению без учителя. Под этим понимаются ситуации, в которых нужно найти структуру в данных или произвести их "разведку". В этом модуле мы обсудим две таких задачи: кластеризацию (поиск групп схо...
Week 6 - Частичное обучение
Под частичным обучение понимается задача, находящаяся между обучением с учителем и кластеризацией: дана выборка, в которой значение целевой переменной известно лишь для части объектов. Такие ситуации встречаются, когда разметка объектов является дорогой операц...
Week 7 - Машинное обучение в прикладных задачах
В этом модуле мы подведем итоги курса, вспомним основные этапы решения задачи анализа данных. Также мы разберем несколько задач из прикладных областей, чтобы подготовиться к выполнению финального проекта."
"Константин Вячеславович Воронцов
Профессор
Факультет компьютерных наук НИУ ВШЭ, Школа анализа данных Яндекса

Evgeny Sokolov
Senior Lecturer
HSE Faculty of Computer Science"
- скорее всего это разработал какой-то технический ВУЗ, а ВШЭ/Высшая Школа Экономики попросту стащили и продают через зарубежные организации.

Не скорее всего, а источником на сайте указан "Источник: wwwcoursera.org ( Дистанционное образование. Зарубежное coursera.org )
list 7 последовательности
assignment Уровень : Начальный
label Искусственный интеллект
chat_bubble_outline Язык : русский
card_giftcard 280 баллы"

На французском: "L'Université nationale de recherche « École des hautes études en sciences économiques » (EHESE), de Moscou a été fondée en 1992 à l'initiative d'économistes russes.

Université d'État depuis 2001, d'abord sous tutelle du ministère du développement économique, elle est depuis 2008 un établissement d'enseignement supérieur et de recherche rattaché directement au gouvernement de la fédération de Russie. Son statut actuel d'université nationale de recherche de Russie lui a été conféré en 2009, après un concours inter-universitaire.

Elle est connue à l'international sous le nom de Higher School of Economics (HSE).

Outre Moscou, l'école possède trois campus-filiales : à Saint-Pétersbourg, Nijni Novgorod et Perm.

Régulièrement classée dans le Top 100 des meilleures universités mondiales selon le QS World University Rankings, elle est la seconde plus réputée4 de Russie."
автоперевод:
"Московский национальный исследовательский университет «Школа высших экономических исследований» (EHESE) был основан в 1992 году по инициативе российских экономистов.
Государственный университет с 2001 года, сначала подведомственный Минэкономразвития, с 2008 года является высшим учебным и научно-исследовательским учреждением, напрямую подключенным к правительству РФ. Нынешний статус национального исследовательского университета России ему присвоили в 2009 году, после межвузовского конкурса.
Она известна на международном уровне как Высшая школа экономики (ВШЭ).
Кроме Москвы в школе три кампуса-филиала: в Санкт-Петербурге, Нижнем Новгороде и Перми.
Регулярно входящая в Топ-100 лучших мировых университетов по версии QS World University Rankings - вторая по известности в России 4"

https://www.my-mooc.com/ru/about
- общие слова на русском "мы за всё хорошее против всего плохого", контактов нет, не цитирую.

14 октября 2023.
Всё, что было опубликовано, реально применяется Авторами.
Первоисточник текста: борцы за Счастье Feel.magicrpg.ru, Россия. Указание Авторства обязательно.

Подпись автора

Подпись. Визитка https://i122.fastpic.org/big/2023/1012/ … 6a75f0.jpg
Об Авторе и о тех, кому можно здесь писать на форуме: только реальные случаи, произошедшие с вами или на ваших глазах, - лично ваши следственные эксперименты. Можно выкладывать шаблоны обращений в органы государственной власти лишь те, которые ВЫ САМИ отправили, никаких чужих мнений и прочее. Только ваш личный опыт.

Аватары авторов согласованы, а в некоторых случаях выбраны мной.
По сути мы все цельные, люди как кусочки единого паззла, и если разобраться, дополняем друг друга и делить нам нечего. И спорить не о чем. Это и отражает единая гамма.