Über diesen Kurs
262,336 recent views

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Stufe „Mittel“

Ca. 24 Stunden zum Abschließen

Empfohlen: 8 hours/week...

Englisch

Untertitel: Englisch, Koreanisch

Was Sie lernen werden

  • Check

    Build features that meet analysis needs

  • Check

    Create and evaluate data clusters

  • Check

    Describe how machine learning is different than descriptive statistics

  • Check

    Explain different approaches for creating predictive models

Kompetenzen, die Sie erwerben

Python ProgrammingMachine Learning (ML) AlgorithmsMachine LearningScikit-Learn

100 % online

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Flexible Fristen

Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.

Stufe „Mittel“

Ca. 24 Stunden zum Abschließen

Empfohlen: 8 hours/week...

Englisch

Untertitel: Englisch, Koreanisch

Lehrplan - Was Sie in diesem Kurs lernen werden

Woche
1
8 Stunden zum Abschließen

Module 1: Fundamentals of Machine Learning - Intro to SciKit Learn

This module introduces basic machine learning concepts, tasks, and workflow using an example classification problem based on the K-nearest neighbors method, and implemented using the scikit-learn library.

...
6 Videos (Gesamt 71 min), 4 Lektüren, 2 Quiz
6 Videos
Key Concepts in Machine Learning13m
Python Tools for Machine Learning4m
An Example Machine Learning Problem12m
Examining the Data9m
K-Nearest Neighbors Classification20m
4 Lektüren
Course Syllabus10m
Help us learn more about you!10m
Notice for Auditing Learners: Assignment Submission10m
Zachary Lipton: The Foundations of Algorithmic Bias (optional)30m
1 praktische Übung
Module 1 Quiz20m
Woche
2
9 Stunden zum Abschließen

Module 2: Supervised Machine Learning - Part 1

This module delves into a wider variety of supervised learning methods for both classification and regression, learning about the connection between model complexity and generalization performance, the importance of proper feature scaling, and how to control model complexity by applying techniques like regularization to avoid overfitting. In addition to k-nearest neighbors, this week covers linear regression (least-squares, ridge, lasso, and polynomial regression), logistic regression, support vector machines, the use of cross-validation for model evaluation, and decision trees.

...
12 Videos (Gesamt 166 min), 2 Lektüren, 2 Quiz
12 Videos
Overfitting and Underfitting12m
Supervised Learning: Datasets4m
K-Nearest Neighbors: Classification and Regression13m
Linear Regression: Least-Squares17m
Linear Regression: Ridge, Lasso, and Polynomial Regression19m
Logistic Regression12m
Linear Classifiers: Support Vector Machines13m
Multi-Class Classification6m
Kernelized Support Vector Machines18m
Cross-Validation9m
Decision Trees19m
2 Lektüren
A Few Useful Things to Know about Machine Learning10m
Ed Yong: Genetic Test for Autism Refuted (optional)10m
1 praktische Übung
Module 2 Quiz22m
Woche
3
7 Stunden zum Abschließen

Module 3: Evaluation

This module covers evaluation and model selection methods that you can use to help understand and optimize the performance of your machine learning models.

...
7 Videos (Gesamt 81 min), 1 Lektüre, 2 Quiz
7 Videos
Confusion Matrices & Basic Evaluation Metrics12m
Classifier Decision Functions7m
Precision-recall and ROC curves6m
Multi-Class Evaluation13m
Regression Evaluation6m
Model Selection: Optimizing Classifiers for Different Evaluation Metrics13m
1 Lektüre
Practical Guide to Controlled Experiments on the Web (optional)10m
1 praktische Übung
Module 3 Quiz28m
Woche
4
10 Stunden zum Abschließen

Module 4: Supervised Machine Learning - Part 2

This module covers more advanced supervised learning methods that include ensembles of trees (random forests, gradient boosted trees), and neural networks (with an optional summary on deep learning). You will also learn about the critical problem of data leakage in machine learning and how to detect and avoid it.

...
10 Videos (Gesamt 94 min), 11 Lektüren, 2 Quiz
10 Videos
Random Forests11m
Gradient Boosted Decision Trees5m
Neural Networks19m
Deep Learning (Optional)7m
Data Leakage11m
Introduction4m
Dimensionality Reduction and Manifold Learning9m
Clustering14m
Conclusion2m
11 Lektüren
Neural Networks Made Easy (optional)10m
Play with Neural Networks: TensorFlow Playground (optional)10m
Deep Learning in a Nutshell: Core Concepts (optional)10m
Assisting Pathologists in Detecting Cancer with Deep Learning (optional)10m
The Treachery of Leakage (optional)10m
Leakage in Data Mining: Formulation, Detection, and Avoidance (optional)10m
Data Leakage Example: The ICML 2013 Whale Challenge (optional)10m
Rules of Machine Learning: Best Practices for ML Engineering (optional)10m
How to Use t-SNE Effectively10m
How Machines Make Sense of Big Data: an Introduction to Clustering Algorithms10m
Post-course Survey10m
1 praktische Übung
Module 4 Quiz20m
4.6
644 BewertungenChevron Right

35%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

36%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs

10%

erhalten Sie eine Gehaltserhöhung oder Beförderung

Top reviews from Applied Machine Learning in Python

von FLOct 14th 2017

Very well structured course, and very interesting too! Has made me want to pursue a career in machine learning. I originally just wanted to learn to program, without true goal, now I have one thanks!!

von PSJun 4th 2019

This is an excellent course. The programming exercises can be solved only when you get the basics right. Else, you will need to revisit the course material. Also, the forums are pretty interactive.

Dozent

Avatar

Kevyn Collins-Thompson

Associate Professor
School of Information

Über University of Michigan

The mission of the University of Michigan is to serve the people of Michigan and the world through preeminence in creating, communicating, preserving and applying knowledge, art, and academic values, and in developing leaders and citizens who will challenge the present and enrich the future....

Über die Spezialisierung Applied Data Science with Python

The 5 courses in this University of Michigan specialization introduce learners to data science through the python programming language. This skills-based specialization is intended for learners who have a basic python or programming background, and want to apply statistical, machine learning, information visualization, text analysis, and social network analysis techniques through popular python toolkits such as pandas, matplotlib, scikit-learn, nltk, and networkx to gain insight into their data. Introduction to Data Science in Python (course 1), Applied Plotting, Charting & Data Representation in Python (course 2), and Applied Machine Learning in Python (course 3) should be taken in order and prior to any other course in the specialization. After completing those, courses 4 and 5 can be taken in any order. All 5 are required to earn a certificate....
Applied Data Science with Python

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..