自动学徒课程可帮助您了解如何构建、生成和分析预判定模型。您可以培养在数据准备、算法选择、优化和评估方面的能力。许多课程利用有源数据库测试模型。

您将获得的技能: Feature Engineering, Applied Machine Learning, Advanced Analytics, Machine Learning, Unsupervised Learning, Workflow Management, Data Ethics, Supervised Learning, Data Validation, Classification And Regression Tree (CART), Random Forest Algorithm, Decision Tree Learning, Python Programming, Performance Tuning
高级设置 · 课程 · 1-3 个月

Duke University
您将获得的技能: 云计算, 微软 Azure, 数据操作, GitHub, 应用程序部署, Pandas(Python 软件包), 机器学习, 负责任的人工智能, NumPy, Python 程序设计, 探索性数据分析, 数据管理, Data Management, 数据分析, Devops, MLOps(机器学习 Operator), 大数据, 集装箱化, CI/CD, 数据管道, AWS SageMaker
高级设置 · 专项课程 · 3-6 个月

Google Cloud
您将获得的技能: Google Cloud Platform, Natural Language Processing, Tensorflow, MLOps (Machine Learning Operations), Large Language Modeling, Reinforcement Learning, Computer Vision, Keras (Neural Network Library), Systems Design, Applied Machine Learning, Image Analysis, AI Personalization, Hybrid Cloud Computing, Systems Architecture, Performance Tuning, Artificial Intelligence and Machine Learning (AI/ML), Deep Learning, Artificial Neural Networks, Machine Learning, Pandas (Python Package)
高级设置 · 专项课程 · 3-6 个月

您将获得的技能: Data Storytelling, Data Visualization, Data Ethics, Exploratory Data Analysis, Sampling (Statistics), Data Presentation, Data Visualization Software, Feature Engineering, Regression Analysis, Descriptive Statistics, Statistical Hypothesis Testing, Advanced Analytics, Data Analysis, Tableau Software, Data Science, Statistical Analysis, Machine Learning, Object Oriented Programming (OOP), Interviewing Skills, Python Programming
攻读学位
高级设置 · 专业证书 · 3-6 个月

您将获得的技能: Prompt Engineering, LangChain, Tool Calling, LangGraph, Agentic systems, Multimodal Prompts, Generative AI, LLM Application, Generative AI Agents, Responsible AI, OpenAI, Artificial Intelligence and Machine Learning (AI/ML), Application Design, Application Deployment, Application Development, Large Language Modeling, UI Components, Semantic Web, Artificial Intelligence, Software Development
高级设置 · 专业证书 · 3-6 个月

IBM
您将获得的技能: 机器学习, 机器学习算法, 回归分析, Python 程序设计, 探索性数据分析, 应用机器学习, 数据展示, 监督学习, Scikit-learn (机器学习库), 张力流, 数据分析, Keras(神经网络库), 无监督学习, 人工神经网络
高级设置 · 课程 · 1-3 个月

University of Toronto
您将获得的技能: 系统架构, 深度学习, 人工智能, 模拟和模拟软件, 自动化, 人工智能和机器学习(AI/ML), 数据结构, 估算, Algorithm, 情景测试, 控制系统, 硬件架构, Machine Learning 方法, 软件架构, 图像分析, 安全保障, 模拟, 计算机视觉, 人工神经网络, 全球定位系统
高级设置 · 专项课程 · 3-6 个月

您将获得的技能: Feature Engineering, Data Ethics, Exploratory Data Analysis, Unsupervised Learning, Data Presentation, Tensorflow, Application Deployment, Dimensionality Reduction, MLOps (Machine Learning Operations), Probability Distribution, Apache Spark, Statistical Hypothesis Testing, Supervised Learning, Data Visualization Software, Data Pipelines, Design Thinking, Unit Testing, Data Science, Machine Learning, Python Programming
高级设置 · 专项课程 · 3-6 个月
University of Illinois Urbana-Champaign
您将获得的技能: PyTorch(机器学习库), 机器学习, 深度学习, 人工智能和机器学习(AI/ML), 图论, 计划发展, 医疗保健, 应用机器学习, 预测建模, 医学科学与研究, 生成模型架构, 图像分析, 张力流, 大数据, Machine Learning 方法, 健康信息学, 监督学习, 无监督学习, 计算机视觉, 人工神经网络
高级设置 · 专项课程 · 1-3 个月

您将获得的技能: Object Oriented Programming (OOP), Data Structures, Python Programming, NumPy, Pandas (Python Package), Data Analysis, Scripting, Data Manipulation, Data Visualization, Algorithms, Debugging
高级设置 · 课程 · 1-3 个月

University of Colorado Boulder
您将获得的技能: Linux, 脚本, 通信系统, 文件系统, C 和 C++, 计算机结构, 操作系统, 数据共享, 编程原则, 分布式计算, 可扩展性, 性能调整, 大数据, 软件架构, 云计算开发, 命令行界面, Bash(脚本语言)
高级设置 · 专项课程 · 3-6 个月

Google Cloud
您将获得的技能: 深度学习, Machine Learning 方法, 应用机器学习, 性能调整, 自然语言处理, 人工神经网络
高级设置 · 课程 · 1-4 周
这些适合初学者的课程无需深厚的数学或编码经验就能构建核心概念:
由斯坦福大学和 DeepLearning.AI 联合开设的机器学习专项课程为期 2 个月,主要内容如下:
它使用 Python、Excel、Numpy 和 Scikit-learn 等工具。
相反,IBM 机器学习专业证书的时间跨度为 3 个月,强调的是
它包括 Python、SQL、Power BI、Pandas、Numpy 和 Scikit-learn 等工具。
这两种课程都涵盖了数据科学家的机器学习基础知识,但在深度和专项课程方面有所不同。根据你是否喜欢来选择:
首先要明确自己的目标--是探索 ML 基础知识、培养就业技能,还是为在AI或Data Science 中发挥作用做准备。
是的,Coursera 提供包括机器学习在内的多种主题的免费课程。虽然您可以通过审核课程免费获取大部分课程资料,但这并不包括分级作业或结业证书。对于那些希望获得证书以展示自己的学习成果或提升专业形象的人来说,Coursera 提供了购买课程的选项。此外,Coursera 还为符合条件的学习者提供免费试听或经济援助,让每个人都更容易获得证书。
机器学习是人工智能的一个分支,旨在构建无需人工干预即可从数据中学习的计算机系统。这些强大的技术注重创建复杂的分析模型,并'训练'模型来识别特定数据集中的模式,然后发布模型以将这些模式应用于越来越多的数据,从而在无需进一步指导的情况下稳定地提高性能。
例如,利用机器学习,可以不断提高图像识别算法的准确度。人类程序员提供相对较小的一组已标记图像(例如标记为'汽车'或'非汽车'),然后让算法处理要从中学习的数量大得多的图像。尽管机器学习中常用的迭代算法不是新方法,但是当今计算系统的强大功能使这种数据分析方法比以往更快起效且更有效。
机器学习在某种程度上是一个混合领域,存在于计算机科学、数据科学以及算法和数学理论的交汇处。在计算机科学方面,机器学习工程师和该领域的其他专业人员通常需要具备较强的软件工程技能 - 从娴熟的编程和编码等基础能力到全面了解系统设计原理都包括在内。
熟悉数据科学概念也很重要(尤其是数据建模和评估方面的技能),以确保算法表现优异,并且其准确度随着时间的推移变得更高而不是更低。此外,由于机器学习在很大程度上依赖于算法以及作为算法基础的统计学和概率论原理,因此扎实的数学理论背景也可能非常有用。
在线学习算法是一种机器学习方法,能在新数据到来时不断更新 Model,而不是在固定的 Data 集上进行训练。它们适用于欺诈检测或推荐系统等实时应用。您可以在 Coursera 上的机器学习等课程中探索这些概念,这些课程介绍了自适应模型中使用的基础技术。
机器学习中的因果推理侧重于识别因果关系,而不仅仅是相关关系。它被用于医疗保健、经济和政策等领域,以做出更可靠的预测和决策。因果关系速成班》等课程:宾夕法尼亚大学在 Coursera 上开设的《因果关系速成班:从观察数据中推断因果效应》等课程对这些方法进行了有力的介绍。