Ce cours a été classé dans le Top 100 des meilleurs cours sur Coursera, sur la base de ses notes élevées et de son grand nombre de notes.
Ce cours initiera l'étudiant à l'apprentissage automatique appliqué, en se concentrant davantage sur les techniques et les méthodes que sur les statistiques derrière ces méthodes. Le cours commencera par une discussion sur la différence entre l'apprentissage automatique et les statistiques descriptives et présentera la boîte à outils scikit learn à travers un didacticiel. La question de la dimensionnalité des données sera abordée et la tâche de regrouper les données sera abordée, ainsi que la manière d'évaluer ces groupes. Approches supervisées de la création
Ce cours initiera l'étudiant à l'apprentissage automatique appliqué, en se concentrant davantage sur les techniques et les méthodes que sur les statistiques derrière ces méthodes.
Le cours commencera par une discussion sur la différence entre l'apprentissage automatique et les statistiques descriptives et présentera la boîte à outils scikit learn à travers un didacticiel.
La question de la dimensionnalité des données sera abordée et la tâche de regrouper les données sera abordée, ainsi que la manière d'évaluer ces groupes.
Des approches supervisées pour la construction de modèles prédictifs seront décrites et les étudiants pourront appliquer les méthodes de modélisation prédictive scikit learn tout en comprenant les problèmes de processus liés à la généralisation des données (par exemple, validation croisée, surajustement).
Le cours se terminera par un aperçu des techniques plus avancées, telles que la construction d'ensembles, et les limites pratiques des modèles prédictifs.
À la fin de ce cours, les étudiants seront en mesure d'identifier la différence entre une technique supervisée (classification) et une technique non supervisée (clustering), d'identifier la technique qu'ils doivent appliquer pour un ensemble de données et un besoin particuliers, de concevoir des fonctionnalités pour répondre à ce besoin. , et écrivez du code Python pour effectuer une analyse.
Ce cours doit être suivi après l'introduction à la science des données en Python et le traçage, la représentation graphique et la représentation de données appliquées en Python et avant l'exploration de texte appliquée en Python et l'analyse sociale appliquée en Python.
91
Ce module présente les concepts, les tâches et le flux de travail de base de l'apprentissage automatique à l'aide d'un exemple de problème de classification basé sur la méthode des K plus proches voisins et mis en œuvre à l'aide de la bibliothèque scikit-learn.
Ce module se penche sur une plus grande variété de méthodes d'apprentissage supervisé pour la classification et la régression, en apprenant le lien entre la complexité du modèle et les performances de généralisation, l'importance d'une mise à l'échelle appropriée des caractéristiques et la manière de contrôler la complexité du modèle à l'aide de l'application de techniques telles que la régularisation. pour éviter le sur-ajustement. En plus des k plus proches voisins, cette semaine couvre la régression linéaire (moindres carrés, crête, lasso et régression polynomiale), la régression logistique, les machines à vecteurs de support, l'utilisation de la validation croisée pour l'évaluation du modèle et les arbres de décision.
Ce module couvre les méthodes d'évaluation et de sélection de modèles que vous pouvez utiliser pour vous aider à comprendre et à optimiser les performances de vos modèles d'apprentissage automatique.
Ce module couvre des méthodes d'apprentissage supervisé plus avancées, y compris les arbres d'ensemble (forêts aléatoires, arbres à gradient) et les réseaux de neurones (avec un aperçu facultatif sur l'apprentissage en profondeur). Vous découvrirez également le problème critique de la fuite de données dans l'apprentissage automatique et comment le détecter et l'éviter.
Préparez-vous depuis chez vous avec les universités les plus prestigieuses du monde.
La qualité des cours de Coursera est soutenue par ses instructeurs, qui sont souvent des doyens titulaires d'un doctorat.
Plus de 85 % des étudiants de Coursera signalent des avantages professionnels, tels que des promotions ou des augmentations de salaire.
Des millions d'étudiants à travers le monde atteignent leurs objectifs personnels et professionnels avec Coursera.
Coursera propose des cours de plus de 200 universités et entreprises de premier plan pour dispenser un apprentissage en ligne dans le monde entier. Avec un abonnement Coursera Plus, vous bénéficiez d'un accès illimité à plus de 90 % de tous les cours, ainsi qu'aux certificats et spécialisations professionnels les plus populaires sur Coursera.
Data science, business et développement personnel. Vous pouvez vous inscrire à plusieurs cours à la fois, obtenir des certificats illimités et acquérir des compétences professionnelles recherchées pour démarrer, évoluer et même changer de carrière.
DÉCOUVREZ COMMENT OBTENIR LE MAXIMUM ET ÉCONOMISER PLUS DE 500 USD AVEC UN ABONNEMENT ANNUEL À COURSERA PLUS*
*Vous économisez jusqu'à 500 USD en 12 mois, lorsque vous passez de 59 USD pour un abonnement mensuel à un abonnement annuel avec la promotion. L'abonnement annuel normal est de 399 USD. Avec la promotion, vous ne paierez que 299 USD. Découvrez tout en cliquant sur le bouton jaune.
Professeur agrégé
ma personne_add 234.428 XNUMX étudiants
mon ordinateurCours 3
La mission de l'Université du Michigan est de servir les habitants du Michigan et du monde par la prééminence dans la création, la communication, la préservation et l'application des connaissances, de l'art et des valeurs savantes, et dans le développement de dirigeants et de citoyens qu'ils défieront. le présent et enrichir l'avenir. .
Bonjour, comment puis-je vous aider? Un cours vous intéresse ? A propos de quel sujet ?
Ajoutez votre avis