This is the second course in the four-course specialization Python Data Products for Predictive Analytics, building on the data processing covered in Course 1 and introducing the basics of designing predictive models in Python. In this course, you will understand the fundamental concepts of statistical learning and learn various methods of building predictive models. At each step in the specialization, you will gain hands-on experience in data manipulation and building your skills, eventually culminating in a capstone project encompassing all the concepts taught in the specialization.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Python Data Products for Predictive Analytics
Design Thinking and Predictive Analytics for Data Products
von
Über diesen Kurs
6,265 kürzliche Aufrufe
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 10 Stunden zum Abschließen
Empfohlen: 4 hours/week
Englisch
Untertitel: Englisch
Lehrplan - Was Sie in diesem Kurs lernen werden
Woche
12 Stunden zum Abschließen
Week 1: Supervised Learning & Regression
Welcome to the second course in this specialization! This week, we will go over the syllabus, download all course materials, and get your system up and running for the course. We will also introduce the basics of supervised learning and regression.
5 Videos (Gesamt 46 min), 4 Lektüren, 3 Quiz
5 Videos
Supervised Learning: Regression9m
Regression in Python10m
Time-Series Regression8m
Autoregression6m
4 Lektüren
Syllabus10m
Course Materials10m
Set Up Your System10m
Recap: Mathematical Notation10m
3 praktische Übungen
Review: Supervised Learning4m
Review: Regression4m
Supervised Learning & Regression10m
Woche
21 Stunde zum Abschließen
Week 2: Features
This week, we will learn what features are in a dataset and how we can work with them through cleaning, manipulation, and analysis in Jupyter notebooks.
4 Videos (Gesamt 29 min), 1 Lektüre, 3 Quiz
4 Videos
Features from Temporal Data8m
Feature Transformations4m
Missing Values7m
1 Lektüre
Supplementary Notebook for Features3m
3 praktische Übungen
Review: Getting Features
Review: Working with Features
Features10m
Woche
31 Stunde zum Abschließen
Week 3: Classification
This week, we will learn about classification and several ways you can implement it, such as K-nearest neighbors, logistic regression, and support vector machines.
4 Videos (Gesamt 31 min), 3 Quiz
4 Videos
Classification: Nearest Neighbors4m
Classification: Logistic Regression10m
Introduction to Support Vector Machines10m
3 praktische Übungen
Review: Classification and K-Nearest Neighbors6m
Review: Logistic Regression and Support Vector Machines5m
Classification10m
Woche
41 Stunde zum Abschließen
Week 4: Gradient Descent
This week, we will learn the importance of properly training and testing a model. We will also implement gradient descent in both Python and TensorFlow.
5 Videos (Gesamt 36 min), 3 Quiz
5 Videos
Introduction to Training and Testing6m
Gradient Descent in Python8m
Gradient Descent in TensorFlow6m
Livecoding: Tensorflow7m
3 praktische Übungen
Review: Classification and Training4m
Review: Gradient Descent4m
More on Classification15m
Dozenten
Julian McAuley
Assistant ProfessorComputer Science
Ilkay Altintas
Chief Data Science OfficerSan Diego Supercomputer Center
Über University of California San Diego
UC San Diego is an academic powerhouse and economic engine, recognized as one of the top 10 public universities by U.S. News and World Report. Innovation is central to who we are and what we do. Here, students learn that knowledge isn't just acquired in the classroom—life is their laboratory.
Über den Spezialisierung Python Data Products for Predictive Analytics
Python data products are powering the AI revolution. Top companies like Google, Facebook, and Netflix use predictive analytics to improve the products and services we use every day. Take your Python skills to the next level and learn to make accurate predictions with data-driven systems and deploy machine learning models with this four-course Specialization from UC San Diego.
This Specialization is for learners who are proficient with the basics of Python. You’ll start by creating your first data strategy. You’ll also develop statistical models, devise data-driven workflows, and learn to make meaningful predictions for a wide-range of business and research purposes. Finally, you’ll use design thinking methodology and data science techniques to extract insights from a wide range of data sources. This is your chance to master one of the technology industry’s most in-demand skills.
Python Data Products for Predictive Analytics is taught by Professor Ilkay Altintas, Ph.D. and Julian McAuley. Dr. Alintas is a prominent figure in the data science community and the designer of the highly-popular Big Data Specialization on Coursera. She has helped educate hundreds of thousands of learners on how to unlock value from massive datasets.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Sobald Sie sich für ein Zertifikat angemeldet haben, haben Sie Zugriff auf alle Videos, Quizspiele und Programmieraufgaben (falls zutreffend). Aufgaben, die von anderen Kursteilnehmern bewertet werden, können erst dann eingereicht und überprüft werden, wenn Ihr Unterricht begonnen hat. Wenn Sie sich den Kurs anschauen möchten, ohne ihn zu kaufen, können Sie womöglich auf bestimmte Aufgaben nicht zugreifen.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Wie erfolgen Rückerstattungen?
Ist finanzielle Unterstützung möglich?
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..