One of the most common tasks performed by data scientists and data analysts are prediction and machine learning. This course will cover the basic components of building and applying prediction functions with an emphasis on practical applications. The course will provide basic grounding in concepts such as training and tests sets, overfitting, and error rates. The course will also introduce a range of model based and algorithmic machine learning methods including regression, classification trees, Naive Bayes, and random forests. The course will cover the complete process of building prediction functions including data collection, feature creation, algorithms, and evaluation.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Datenverarbeitung
Practical Machine Learning
von
Über diesen Kurs
66,167 kürzliche Aufrufe
Was Sie lernen werden
Describe machine learning methods such as regression or classification trees
Explain the complete process of building prediction functions
Understand concepts such as training and tests sets, overfitting, and error rates
Use the basic components of building and applying prediction functions
Kompetenzen, die Sie erwerben
Random ForestMachine Learning (ML) AlgorithmsMachine LearningR Programming
Kursteilnehmer, die sich für Course entscheiden, sind
- Risk Managers
- Data Scientists
- Biostatisticians
- Data Analysts
- Biologists
Lehrplan - Was Sie in diesem Kurs lernen werden
Woche
12 Stunden zum Abschließen
Week 1: Prediction, Errors, and Cross Validation
This week will cover prediction, relative importance of steps, errors, and cross validation.
9 Videos (Gesamt 73 min), 3 Lektüren, 1 Quiz
9 Videos
What is prediction?8m
Relative importance of steps9m
In and out of sample errors6m
Prediction study design9m
Types of errors10m
Receiver Operating Characteristic5m
Cross validation8m
What data should you use?6m
3 Lektüren
Welcome to Practical Machine Learning10m
Syllabus10m
Pre-Course Survey10m
1 praktische Übungen
Quiz 110m
Woche
22 Stunden zum Abschließen
Week 2: The Caret Package
This week will introduce the caret package, tools for creating features and preprocessing.
9 Videos (Gesamt 96 min), 1 Quiz
9 Videos
Data slicing5m
Training options7m
Plotting predictors10m
Basic preprocessing10m
Covariate creation17m
Preprocessing with principal components analysis14m
Predicting with Regression12m
Predicting with Regression Multiple Covariates11m
1 praktische Übungen
Quiz 210m
Woche
31 Stunden zum Abschließen
Week 3: Predicting with trees, Random Forests, & Model Based Predictions
This week we introduce a number of machine learning algorithms you can use to complete your course project.
5 Videos (Gesamt 48 min), 1 Quiz
1 praktische Übungen
Quiz 310m
Woche
44 Stunden zum Abschließen
Week 4: Regularized Regression and Combining Predictors
This week, we will cover regularized regression and combining predictors.
4 Videos (Gesamt 33 min), 2 Lektüren, 3 Quiz
2 Lektüren
Course Project Instructions (READ FIRST)10m
Post-Course Survey10m
2 praktische Übungen
Quiz 410m
Course Project Prediction Quiz40m
40%
nahm einen neuen Beruf nach Abschluss dieser Kurse auf
39%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
13%
erhalten Sie eine Gehaltserhöhung oder Beförderung
Top-Bewertungen von Practical Machine Learning
Issues of every stage of the construction of learning machine model, as well as issues with several different machine learning methods are well and in fine yet very understandable detail explained.
Excellent introduction to basic ML techniques. A lot of material covered in a short period of time! I will definitely seek more advanced training out of the inspiration provided by this class.
Dozenten
Jeff Leek, PhD
Associate Professor, BiostatisticsBloomberg School of Public Health
Roger D. Peng, PhD
Associate Professor, BiostatisticsBloomberg School of Public Health
Brian Caffo, PhD
Professor, BiostatisticsBloomberg School of Public Health
Über Johns Hopkins University
The mission of The Johns Hopkins University is to educate its students and cultivate their capacity for life-long learning, to foster independent and original research, and to bring the benefits of discovery to the world.
Über den Spezialisierung Datenverarbeitung
Ask the right questions, manipulate data sets, and create visualizations to communicate results.
This Specialization covers the concepts and tools you'll need throughout the entire data science pipeline, from asking the right kinds of questions to making inferences and publishing results. In the final Capstone Project, you’ll apply the skills learned by building a data product using real-world data. At completion, students will have a portfolio demonstrating their mastery of the material.
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..