Über diesen Kurs
156,112 kürzliche Aufrufe

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Ca. 35 Stunden zum Abschließen

Empfohlen: 6 weeks of study, 5-8 hours/week...

Englisch

Untertitel: Englisch, Koreanisch, Arabischer Raum

Kompetenzen, die Sie erwerben

Linear RegressionRidge RegressionLasso (Statistics)Regression Analysis

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Ca. 35 Stunden zum Abschließen

Empfohlen: 6 weeks of study, 5-8 hours/week...

Englisch

Untertitel: Englisch, Koreanisch, Arabischer Raum

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche
1
1 Stunde zum Abschließen

Welcome

5 Videos (Gesamt 20 min), 3 Lektüren
5 Videos
What is the course about?3m
Outlining the first half of the course5m
Outlining the second half of the course5m
Assumed background4m
3 Lektüren
Important Update regarding the Machine Learning Specialization10m
Slides presented in this module10m
Reading: Software tools you'll need10m
3 Stunden zum Abschließen

Simple Linear Regression

25 Videos (Gesamt 122 min), 5 Lektüren, 2 Quiz
25 Videos
Regression fundamentals: data & model8m
Regression fundamentals: the task2m
Regression ML block diagram4m
The simple linear regression model2m
The cost of using a given line6m
Using the fitted line6m
Interpreting the fitted line6m
Defining our least squares optimization objective3m
Finding maxima or minima analytically7m
Maximizing a 1d function: a worked example2m
Finding the max via hill climbing6m
Finding the min via hill descent3m
Choosing stepsize and convergence criteria6m
Gradients: derivatives in multiple dimensions5m
Gradient descent: multidimensional hill descent6m
Computing the gradient of RSS7m
Approach 1: closed-form solution5m
Approach 2: gradient descent7m
Comparing the approaches1m
Influence of high leverage points: exploring the data4m
Influence of high leverage points: removing Center City7m
Influence of high leverage points: removing high-end towns3m
Asymmetric cost functions3m
A brief recap1m
5 Lektüren
Slides presented in this module10m
Optional reading: worked-out example for closed-form solution10m
Optional reading: worked-out example for gradient descent10m
Download notebooks to follow along10m
Fitting a simple linear regression model on housing data10m
2 praktische Übungen
Simple Linear Regression14m
Fitting a simple linear regression model on housing data8m
Woche
2
3 Stunden zum Abschließen

Multiple Regression

19 Videos (Gesamt 87 min), 5 Lektüren, 3 Quiz
19 Videos
Polynomial regression3m
Modeling seasonality8m
Where we see seasonality3m
Regression with general features of 1 input2m
Motivating the use of multiple inputs4m
Defining notation3m
Regression with features of multiple inputs3m
Interpreting the multiple regression fit7m
Rewriting the single observation model in vector notation6m
Rewriting the model for all observations in matrix notation4m
Computing the cost of a D-dimensional curve9m
Computing the gradient of RSS3m
Approach 1: closed-form solution3m
Discussing the closed-form solution4m
Approach 2: gradient descent2m
Feature-by-feature update9m
Algorithmic summary of gradient descent approach4m
A brief recap1m
5 Lektüren
Slides presented in this module10m
Optional reading: review of matrix algebra10m
Exploring different multiple regression models for house price prediction10m
Numpy tutorial10m
Implementing gradient descent for multiple regression10m
3 praktische Übungen
Multiple Regression18m
Exploring different multiple regression models for house price prediction16m
Implementing gradient descent for multiple regression10m
Woche
3
2 Stunden zum Abschließen

Assessing Performance

14 Videos (Gesamt 93 min), 2 Lektüren, 2 Quiz
14 Videos
What do we mean by "loss"?4m
Training error: assessing loss on the training set7m
Generalization error: what we really want8m
Test error: what we can actually compute4m
Defining overfitting2m
Training/test split1m
Irreducible error and bias6m
Variance and the bias-variance tradeoff6m
Error vs. amount of data6m
Formally defining the 3 sources of error14m
Formally deriving why 3 sources of error20m
Training/validation/test split for model selection, fitting, and assessment7m
A brief recap1m
2 Lektüren
Slides presented in this module10m
Polynomial Regression10m
2 praktische Übungen
Assessing Performance26m
Exploring the bias-variance tradeoff8m
Woche
4
3 Stunden zum Abschließen

Ridge Regression

16 Videos (Gesamt 85 min), 5 Lektüren, 3 Quiz
16 Videos
Overfitting demo7m
Overfitting for more general multiple regression models3m
Balancing fit and magnitude of coefficients7m
The resulting ridge objective and its extreme solutions5m
How ridge regression balances bias and variance1m
Ridge regression demo9m
The ridge coefficient path4m
Computing the gradient of the ridge objective5m
Approach 1: closed-form solution6m
Discussing the closed-form solution5m
Approach 2: gradient descent9m
Selecting tuning parameters via cross validation3m
K-fold cross validation5m
How to handle the intercept6m
A brief recap1m
5 Lektüren
Slides presented in this module10m
Download the notebook and follow along10m
Download the notebook and follow along10m
Observing effects of L2 penalty in polynomial regression10m
Implementing ridge regression via gradient descent10m
3 praktische Übungen
Ridge Regression18m
Observing effects of L2 penalty in polynomial regression14m
Implementing ridge regression via gradient descent16m
4.8
834 BewertungenChevron Right

45%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

43%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs

18%

erhalten Sie eine Gehaltserhöhung oder Beförderung

Top-Bewertungen von Machine Learning: Regression

von PDMar 17th 2016

I really enjoyed all the concepts and implementations I did along this course....except during the Lasso module. I found this module harder than the others but very interesting as well. Great course!

von CMJan 27th 2016

I really like the top-down approach of this specialization. The iPython code assignments are very well structured. They are presented in a step-by-step manner while still being challenging and fun!

Dozenten

Avatar

Emily Fox

Amazon Professor of Machine Learning
Statistics
Avatar

Carlos Guestrin

Amazon Professor of Machine Learning
Computer Science and Engineering

Über University of Washington

Founded in 1861, the University of Washington is one of the oldest state-supported institutions of higher education on the West Coast and is one of the preeminent research universities in the world....

Über den Spezialisierung Maschinelles Lernen

This Specialization from leading researchers at the University of Washington introduces you to the exciting, high-demand field of Machine Learning. Through a series of practical case studies, you will gain applied experience in major areas of Machine Learning including Prediction, Classification, Clustering, and Information Retrieval. You will learn to analyze large and complex datasets, create systems that adapt and improve over time, and build intelligent applications that can make predictions from data....
Maschinelles Lernen

Häufig gestellte Fragen

  • 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.

  • 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.

Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..