Über diesen Kurs

632,597 kürzliche Aufrufe

Karriereergebnisse der Lernenden

34%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

35%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs

12%

erhalten Sie eine Gehaltserhöhung oder Beförderung
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.
Stufe „Mittel“
Ca. 34 Stunden zum Abschließen
Englisch
Untertitel: Französisch, Koreanisch, Russisch, Englisch, Spanisch

Kompetenzen, die Sie erwerben

Python ProgrammingMachine Learning (ML) AlgorithmsMachine LearningScikit-Learn

Karriereergebnisse der Lernenden

34%

nahm einen neuen Beruf nach Abschluss dieser Kurse auf

35%

ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs

12%

erhalten Sie eine Gehaltserhöhung oder Beförderung
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.
Stufe „Mittel“
Ca. 34 Stunden zum Abschließen
Englisch
Untertitel: Französisch, Koreanisch, Russisch, Englisch, Spanisch

von

Placeholder

University of Michigan

Lehrplan - Was Sie in diesem Kurs lernen werden

InhaltsbewertungThumbs Up92%(13,094 Bewertungen)Info
Woche
1

Woche 1

8 Stunden zum Abschließen

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

8 Stunden zum Abschließen
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 Quiz30m
Woche
2

Woche 2

10 Stunden zum Abschließen

Module 2: Supervised Machine Learning - Part 1

10 Stunden zum Abschließen
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 Quiz30m
Woche
3

Woche 3

7 Stunden zum Abschließen

Module 3: Evaluation

7 Stunden zum Abschließen
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 Quiz30m
Woche
4

Woche 4

10 Stunden zum Abschließen

Module 4: Supervised Machine Learning - Part 2

10 Stunden zum Abschließen
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 Quiz30m

Bewertungen

Top-Bewertungen von APPLIED MACHINE LEARNING IN PYTHON

Alle Bewertungen anzeigen

Über den Spezialisierung Angewandte Datenwissenschaft mit 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....
Angewandte Datenwissenschaft mit Python

Häufig gestellte Fragen

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