Learn machine learning through real use cases. Build the skills for a career in one of the most relevant fields of modern AI through hands-on projects and curriculum from IBM’s experts.

4.8

Sterne

121 Bewertungen

Mark J Grover +1 weiterer Dozent

3.054 bereits angemeldet

von

Spezialisierung IBM Introduction to Machine LearningIBM

Was Sie lernen werden

Understand the potential applications of machine learning

Gain technical skills like SQL, machine learning modelling, supervised and unsupervised learning, regression, and classification.

Identify opportunities to leverage machine learning in your organization or career

Communicate findings from your machine learning projects to experts and non-experts

Kompetenzen, die Sie erwerben

Machine Learning Regression
Machine Learning Classification
Machine Learning
Unsupervised Learning
Exploratory Data Analysis
Artificial Intelligence (AI)
Feature Engineering
Statistical Hypothesis Testing
Regression Analysis
Supervised Learning
Linear Regression
Ridge Regression

Über dieses Spezialisierung

4.361 kürzliche Aufrufe

Machine learning skills are becoming more and more essential in the modern job market. In 2019, Machine Learning Engineer was ranked as the #1 job in the United States, based on the incredible 344% growth of job openings in the field between 2015 to 2018, and the role’s average base salary of $146,085 (Indeed). This four-course Specialization will help you gain the introductory skills to succeed in an in-demand career in machine learning and data science. After completing this program, you’ll be able to realize the potential of machine learning algorithms and artificial intelligence in different business scenarios. You’ll be able to identify when to use machine learning to explain certain behaviors and when to use it to predict future outcomes. You’ll also learn how to evaluate your machine learning models and to incorporate best practices. By the end of this program, you will have developed concrete machine learning skills to apply in your workplace or career search, as well as a portfolio of projects demonstrating your proficiency. In addition to receiving a certificate from Coursera, you'll also earn an IBM Badge to help you share your accomplishments with your network and potential employer. You can also leverage the learning from the program to complete the remaining two courses of the six-course IBM Machine Learning Professional Certificate and power a new career in the field of machine learning.

Praktisches Lernprojekt

In this program, you’ll complete hands-on projects designed to develop your analytical and machine learning skills. You’ll also produce a summary of your insights from each project using data analysis skills, in a similar way as you would in a professional setting, including producing a final presentation to communicate insights to fellow machine learning practitioners, stakeholders, C-suite executives, and chief data officers.

You are highly encouraged to compile your completed projects into an online portfolio that showcases the skills learned in this Specialization.

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

Kurse, die komplett online stattfinden

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Flexibler Zeitplan

Festlegen und Einhalten flexibler Termine.

Stufe „Mittel“

Einige einschlägige Kenntnisse erforderlich.

Etwa 3 Monate bis zum Abschluss

Empfohlenes Lerntempo: 3 Stunden/Woche

Englisch

Untertitel: Englisch, Arabischer Raum, Französisch, Portugiesisch (europäisch), Italienisch, Vietnamesisch, Deutsch, Russisch, Spanisch

Zertifikat zur Vorlage

Erhalten Sie nach Abschluss ein Zertifikat

Kurse, die komplett online stattfinden

Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.

Flexibler Zeitplan

Festlegen und Einhalten flexibler Termine.

Stufe „Mittel“

Einige einschlägige Kenntnisse erforderlich.

Etwa 3 Monate bis zum Abschluss

Empfohlenes Lerntempo: 3 Stunden/Woche

Englisch

Untertitel: Englisch, Arabischer Raum, Französisch, Portugiesisch (europäisch), Italienisch, Vietnamesisch, Deutsch, Russisch, Spanisch

So funktioniert die Spezialisierung

Kurse absolvieren

Eine Coursera-Spezialisierung ist eine Reihe von Kursen, in denen Sie eine Kompetenz erwerben. Um zu beginnen, melden Sie sich direkt für die Spezialisierung an oder überprüfen Sie deren Kurse und wählen Sie denjenigen Kurs aus, mit dem Sie beginnen möchten. Wenn Sie einen Kurs abonnieren, der Bestandteil einer Spezialisierung ist, abonnieren Sie automatisch die gesamte Spezialisierung Es ist in Ordnung, wenn Sie nur einen Kurs absolvieren möchten — Sie können Ihren Lernprozess jederzeit unterbrechen oder Ihr Abonnement kündigen. Gehen Sie zu Ihrem Lernender-Dashboard, um Ihre Kursanmeldungen und Ihren Fortschritt zu verfolgen.

Praxisprojekt

Jede Spezialisierung umfasst ein Praxisprojekt. Sie müssen das Projekt/die Projekte erfolgreich abschließen, um die Spezialisierung abzuschließen und Ihr Zertifikat zu erwerben. Wenn die Spezialisierung einen separaten Kurs für das Praxisprojekt umfasst, müssen Sie zunächst alle anderen Kurse abschließen, bevor Sie damit beginnen können.

Zertifikat erwerben

Wenn Sie alle Kurse und das Praxisprojekt abgeschlossen haben, erhalten Sie ein Zertifikat, dass Sie für potenzielle Arbeitgeber und Ihr berufliches Netzwerk freigeben können.

Es gibt 4 Kurse in dieser Spezialisierung

Kurs1

Kurs 1

Exploratory Data Analysis for Machine Learning

4.6

Sterne

562 Bewertungen

•

133 Bewertungen

This first course in the IBM Machine Learning Professional Certificate introduces you to Machine Learning and the content of the professional certificate. In this course you will realize the importance of good, quality data. You will learn common techniques to retrieve your data, clean it, apply feature engineering, and have it ready for preliminary analysis and hypothesis testing.

By the end of this course you should be able to: Retrieve data from multiple data sources: SQL, NoSQL databases, APIs, Cloud Describe and use common feature selection and feature engineering techniques Handle categorical and ordinal features, as well as missing values Use a variety of techniques for detecting and dealing with outliers Articulate why feature scaling is important and use a variety of scaling techniques Who should take this course? This course targets aspiring data scientists interested in acquiring hands-on experience with Machine Learning and Artificial Intelligence in a business setting. What skills should you have? To make the most out of this course, you should have familiarity with programming on a Python development environment, as well as fundamental understanding of Calculus, Linear Algebra, Probability, and Statistics.

Kurs2

Kurs 2

Supervised Machine Learning: Regression

4.8

Sterne

200 Bewertungen

•

40 Bewertungen

This course introduces you to one of the main types of modelling families of supervised Machine Learning: Regression. You will learn how to train regression models to predict continuous outcomes and how to use error metrics to compare across different models. This course also walks you through best practices, including train and test splits, and regularization techniques.

By the end of this course you should be able to: Differentiate uses and applications of classification and regression in the context of supervised machine learning Describe and use linear regression models Use a variety of error metrics to compare and select a linear regression model that best suits your data Articulate why regularization may help prevent overfitting Use regularization regressions: Ridge, LASSO, and Elastic net Who should take this course? This course targets aspiring data scientists interested in acquiring hands-on experience with Supervised Machine Learning Regression techniques in a business setting. What skills should you have? To make the most out of this course, you should have familiarity with programming on a Python development environment, as well as fundamental understanding of Data Cleaning, Exploratory Data Analysis, Calculus, Linear Algebra, Probability, and Statistics.

Kurs3

Kurs 3

Supervised Machine Learning: Classification

4.9

Sterne

127 Bewertungen

•

30 Bewertungen

This course introduces you to one of the main types of modeling families of supervised Machine Learning: Classification. You will learn how to train predictive models to classify categorical outcomes and how to use error metrics to compare across different models. The hands-on section of this course focuses on using best practices for classification, including train and test splits, and handling data sets with unbalanced classes.

By the end of this course you should be able to: -Differentiate uses and applications of classification and classification ensembles -Describe and use logistic regression models -Describe and use decision tree and tree-ensemble models -Describe and use other ensemble methods for classification -Use a variety of error metrics to compare and select the classification model that best suits your data -Use oversampling and undersampling as techniques to handle unbalanced classes in a data set Who should take this course? This course targets aspiring data scientists interested in acquiring hands-on experience with Supervised Machine Learning Classification techniques in a business setting. What skills should you have? To make the most out of this course, you should have familiarity with programming on a Python development environment, as well as fundamental understanding of Data Cleaning, Exploratory Data Analysis, Calculus, Linear Algebra, Probability, and Statistics.

Kurs4

Kurs 4

Unsupervised Machine Learning

4.8

Sterne

109 Bewertungen

•

25 Bewertungen

This course introduces you to one of the main types of Machine Learning: Unsupervised Learning. You will learn how to find insights from data sets that do not have a target or labeled variable. You will learn several clustering and dimension reduction algorithms for unsupervised learning as well as how to select the algorithm that best suits your data. The hands-on section of this course focuses on using best practices for unsupervised learning.

By the end of this course you should be able to: Explain the kinds of problems suitable for Unsupervised Learning approaches Explain the curse of dimensionality, and how it makes clustering difficult with many features Describe and use common clustering and dimensionality-reduction algorithms Try clustering points where appropriate, compare the performance of per-cluster models Understand metrics relevant for characterizing clusters Who should take this course? This course targets aspiring data scientists interested in acquiring hands-on experience with Unsupervised Machine Learning techniques in a business setting. What skills should you have? To make the most out of this course, you should have familiarity with programming on a Python development environment, as well as fundamental understanding of Data Cleaning, Exploratory Data Analysis, Calculus, Linear Algebra, Probability, and Statistics.

Dozenten

Mark J Grover

Digital Content Delivery Lead

IBM Data & AI Learning

45.159 Lernende

14 Kurse

Miguel Maldonado

Machine Learning Curriculum Developer

Data and AI Learning

33.781 Lernende

6 Kurse

von

IBM

IBM is the global leader in business transformation through an open hybrid cloud platform and AI, serving clients in more than 170 countries around the world. Today 47 of the Fortune 50 Companies rely on the IBM Cloud to run their business, and IBM Watson enterprise AI is hard at work in more than 30,000 engagements. IBM is also one of the world’s most vital corporate research organizations, with 28 consecutive years of patent leadership. Above all, guided by principles for trust and transparency and support for a more inclusive society, IBM is committed to being a responsible technology innovator and a force for good in the world.

Häufig gestellte Fragen

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.
Kann ich mich auch nur für einen Kurs anmelden?
Ja! Um loszulegen, klicken Sie auf die Kurskarte, die Sie interessiert, und melden Sie sich an. Sie können sich anmelden und den Kurs absolvieren, um ein teilbares Zertifikat zu erwerben, oder Sie können als Gast teilnehmen, um die Kursmaterialien gratis einzusehen. Wenn Sie einen Kurs abonnieren, der Teil einer Spezialisierung ist, abonnieren Sie automatisch die gesamte Spezialisierung. Auf Ihrem Kursteilnehmer-Dashboard können Sie Ihren Fortschritt verfolgen.
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
Kann ich kostenlos an diesem Kurs teilnehmen?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse in der Spezialisierung und Sie erwerben ein Zertifikat, wenn Sie die Arbeit abschließen. Wenn Sie lediglich den Kursinhalt lesen und anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen. Wenn Sie die Gebühr nicht bezahlen können, haben Sie die Möglichkeit, finanzielle Hilfe zu beantragen.
Findet dieser Kurs wirklich ausschließlich online statt? Muss ich zu irgendwelchen Sitzungen persönlich erscheinen?
Dieser Kurs findet ausschließlich online statt, Sie müssen also zu keiner Sitzung persönlich erscheinen. Sie können jederzeit und überall über das Netz oder Ihr Mobilgerät auf Ihre Vorträge, Lektüren und Aufgaben zugreifen.
How can I earn my IBM Badge?
Upon completion of this program, you will receive an email from Coursera with directions on how to claim your IBM Badge through Acclaim. Learn more about IBM Badges
What is machine learning?
Machine learning is a branch of artificial intelligence (AI) focused on building applications that learn from data and improve their accuracy over time without being programmed to do so.
What careers can I pursue in the field of machine learning?
Machine learning skills are applicable to a variety of fields, but some jobs that require machine learning skills include:
-Data Scientist
-Machine Learning Engineer
-Software Engineer
In 2019, Machine Learning Engineer was ranked as the #1 job in the United States, based on the incredible 344% growth of job openings in the field between 2015 to 2018, and the role’s average base salary of $146,085 (Indeed). Take advantage of this opportunity to develop your machine learning skills for a high-paying, in-demand career in machine learning today!
Wie lange dauert es, die Spezialisierung abzuschließen?
The entire specialization requires 40-45 hours of study. Each of the 4 courses requires 7-10 hours of study.
What background knowledge is necessary?
Ideally, you should have some background in Math, Stats, and computer programming, as most demonstrations, labs, and projects use Python programming language and concepts like matrix factorization, convergence, or stochastic gradient descent.This Specialization is designed specifically for scientists, software developers, and business analysts who want to round their analytical skills in Data Science, AI, and Machine Learning, but is also appropriate for anyone with a passion for data and basic Math, Statistics, and programming skills.
Do I need to take the courses in a specific order?
We recommend you to take the courses in the order presented in the specialization page, as each course builds on material presented in previous courses.
Erhalte ich akademische Leistungspunkte für den Abschluss der Spezialisierung?
No.
What will I be able to do upon completing the Specialization?
You will be able to use high-demand Machine Learning techniques in real world data sets. You will be able to derive and communicate insights from data using Exploratory Data Analysis, Supervised Learning, and Unsupervised Learning.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.