This course takes you from understanding the fundamentals of a machine learning project. Learners will understand and implement supervised learning techniques on real case studies to analyze business case scenarios where decision trees, k-nearest neighbours and support vector machines are optimally used. Learners will also gain skills to contrast the practical consequences of different data preparation steps and describe common production issues in applied ML.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Machine Learning: Algorithms in the Real World
von
Spezialisierung Machine Learning: Algorithms in the Real WorldAlberta Machine Intelligence InstituteÜber diesen Kurs
32,137 kürzliche Aufrufe
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Ca. 9 Stunden zum Abschließen
Englisch
Untertitel: Englisch
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Ca. 9 Stunden zum Abschließen
Englisch
Untertitel: Englisch
von
Alberta Machine Intelligence Institute
The Alberta Machine Intelligence Institute (Amii) is home to some of the world’s top talent in machine intelligence. We’re an Alberta-based
Lehrplan - Was Sie in diesem Kurs lernen werden
4 Stunden zum Abschließen
Classification using Decision Trees and k-NN
Welcome to Supervised Learning, Tip to Tail! This week we'll go over the basics of supervised learning, particularly classification, as well as teach you about two classification algorithms: decision trees and k-NN. You'll get started programming on the platform through Jupyter notebooks and start to familiarize yourself with all the issues that arise when using machine learning for classification.
4 Stunden zum Abschließen
8 Videos (Gesamt 46 min), 4 Lektüren, 2 Quiz
8 Videos
What does a classifier actually do?5m
Classification in scikit-learn3m
What are decision trees?6m
Generalization and overfitting8m
Classification using k-nearest neighbours8m
Distance measures8m
Weekly summary2m
4 Lektüren
Math Review10m
Scikitlearn documentation for decision trees (Optional)10m
Scikitlearn documentation for random forests (Optional)10m
Scikitlearn documentation for k-nearest neighbours (Optional)10m
2 praktische Übungen
Supervised Learning Basics
Understanding Classification with Decision Trees and k-NN20m
2 Stunden zum Abschließen
Functions for Fun and Profit
Welcome to the second week of the course! In this week you'll learn all about regression algorithms, the other side of supervised learning. We'll introduce you to the idea of finding lines, optimization criteria, and all the associated issues. Through regression we'll see the interactions between model complexity and accuracy, and you'll get a first taste of how regression and classification might relate.
2 Stunden zum Abschließen
9 Videos (Gesamt 62 min), 1 Lektüre, 4 Quiz
9 Videos
Optimal line-fitting8m
Loss and Convexity7m
Gradient Descent9m
Nonlinear features and model complexity6m
Bias and variance tradeoff6m
Regularizers5m
Loss for Classification7m
Weekly summary4m
1 Lektüre
Scikitlearn documentation for linear regression (Optional)10m
4 praktische Übungen
Regression Basics
Understanding Model Complexity
From Regression to Classification2m
The Regression side of Supervised Learning20m
3 Stunden zum Abschließen
Regression for Classification: Support Vector Machines
This week we'll be diving straight in to using regression for classification. We'll describe all the fundamental pieces that make up the support vector machine algorithms, so that you can understand how many seemingly unrelated machine learning algorithms tie together. We'll introduce you to logistic regression, neural networks, and support vector machines, and show you how to implement two of those.
3 Stunden zum Abschließen
6 Videos (Gesamt 34 min), 1 Lektüre, 2 Quiz
6 Videos
Neural Networks9m
Hinge Loss6m
Basics of Support Vector Machines6m
Kernels6m
Weekly Summary1m
1 Lektüre
Scikitlearn documentation for SVMs (Optional)10m
2 praktische Übungen
Understanding Support Vector Machines
Regression-based Classification10m
1 Stunde zum Abschließen
Contrasting Models
Now at the tail end of the course, we're going to go over how to know how well your model is actually performing and what you can do to get even better performance from it. We'll review assessment questions particular to regression and classification, and introduce some other tools that really help you analyze your model performance. The topics covered this week aim to give you confidence in your models, so you're ready to unlock the power of machine learning for your business goals.
1 Stunde zum Abschließen
8 Videos (Gesamt 46 min), 1 Lektüre, 1 Quiz
8 Videos
Classification assessment6m
Learning Curves6m
Testing your models7m
Cross validation5m
Parameter tuning and grid search5m
Model Parameters6m
Weekly Summary1m
1 Lektüre
Some resources on model assessment (Optional)10m
1 praktische Übung
Contrasting Models
Bewertungen
Top-Bewertungen von MACHINE LEARNING ALGORITHMS: SUPERVISED LEARNING TIP TO TAIL
von DS6. Mai 2020
Excellent course for an overview of different ML algorithms. The course is made from a perspective of giving insights in process and not too many mathematical details.
von SK11. Apr. 2020
Excellent course. In which I had in-depth knowledge of all algorithms and the way she explained attracts to listen except for her spontaneity and speed in progressing.
von FF16. Apr. 2020
Great course but less in-depth knowledge about each of the hyper parameters and under the hood view of Algorithms.But excellent. Thanks!!!!!!
von SP18. Juni 2020
A great short capsule course to get overall bird view on Supervised learning. Much needed one for both practitioners and new beginners.
Über den Spezialisierung Machine Learning: Algorithms in the Real World
This specialization is for professionals who have heard the buzz around machine learning and want to apply machine learning to data analysis and automation. Whether finance, medicine, engineering, business or other domains, this specialization will set you up to define, train, and maintain a successful machine learning application.
After completing all four courses, you will have gone through the entire process of building a machine learning project. You will be able to clearly define a machine learning problem, identify appropriate data, train a classification algorithm, improve your results, and deploy it in the real world. You will also be able to anticipate and mitigate common pitfalls in applied machine learning.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
- Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
- Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
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?
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine 7-tägige, kostenlose Testversion, die Sie gebührenfrei wieder kündigen können. Danach gewähren wir keine Rückerstattungen mehr, aber Sie können Ihr Abonnement jederzeit kündigen. Lesen Sie unsere vollständige Rückerstattungsrichtlinie.
Ist finanzielle Unterstützung möglich?
Ja, Coursera bietet für Kursteilnehmer, die sich die Kursgebühr nicht leisten können, finanzielle Unterstützung an. Bewerben Sie sich dafür, indem Sie auf den Link für finanzielle Unterstützung links unter der Schaltfläche „Anmelden“ klicken. Sie werden zum Ausfüllen eines Antrags aufgefordert und werden bei Genehmigung benachrichtigt. Diesen Schritt müssen Sie für jeden Kurs der Spezialisierung ausführen, auch für das Abschlussprojekt. Mehr erfahren
Erhalte ich akademische Leistungspunkte für den Abschluss des Kurses?
Für diesen Kurs gibt es keine akademischen Leistungspunkte, doch Hochschulen können nach eigenem Ermessen Leistungspunkte für Kurszertifikate vergeben. Wenden Sie sich an Ihre Einrichtung, um mehr zu erfahren. Online-Abschlüsse und Mastertrack™-Zertifikate auf Coursera bieten die Möglichkeit, akademische Leistungspunkte zu erwerben.
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
