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。

多位教师
您将获得的技能: 分类与回归树 (CART), 人工智能, 预测建模, NumPy, 强化学习, 随机森林算法, 机器学习, 深度学习, 应用机器学习, Python 程序设计, 数据伦理, 负责任的人工智能, 决策树学习, Jupyter, 监督学习, Scikit-learn (机器学习库), 张力流, 无监督学习, 功能工程, 人工神经网络
初级 · 专项课程 · 1-3 个月

IBM
您将获得的技能: 分类与回归树 (CART), 机器学习, 回归分析, 降维, 预测建模, Scikit-learn (机器学习库), 决策树学习, 统计建模, 无监督学习, 应用机器学习, 监督学习, 功能工程
中级 · 课程 · 1-3 个月

IBM
您将获得的技能: 数据清理, 深度学习, 机器学习算法, 数据访问, 回归分析, 强化学习, 降维, 预测建模, 机器学习, 生成模型架构, 时间序列分析和预测, Python 程序设计, 探索性数据分析, 应用机器学习, 数据分析, 数据科学, 统计推理, 功能工程, 监督学习, 无监督学习
攻读学位
中级 · 专业证书 · 3-6 个月

Imperial College London
您将获得的技能: 概率与统计, 数据操作, 统计, 机器学习算法, 机器学习, 回归分析, 衍生产品, 降维, NumPy, 统计分析, Python 程序设计, 应用数学, 微积分, 数据科学, Jupyter, Algorithm, 高等数学, 人工神经网络, 线性代数
初级 · 专项课程 · 3-6 个月

Amazon Web Services
您将获得的技能: Artificial Intelligence and Machine Learning (AI/ML), Generative AI, Deep Learning, Artificial Intelligence, Amazon Web Services, Applied Machine Learning, Machine Learning
混合 · 课程 · 1-4 周

DeepLearning.AI
您将获得的技能: 分类与回归树 (CART), 人工智能, 机器学习, 回归分析, 预测建模, NumPy, 应用机器学习, Python 程序设计, 数据转换, Scikit-learn (机器学习库), 统计建模, Jupyter, 监督学习, 功能工程
初级 · 课程 · 1-4 周

DeepLearning.AI
您将获得的技能: 概率与统计, 描述性统计, A/B 测试, 概率分布, 机器学习, 抽样(统计), 数值分析, 数学建模, 降维, NumPy, 统计分析, 概率, 应用数学, 贝叶斯统计, 数据转换, 统计假设检验, 微积分, Machine Learning 方法, 统计推理, 线性代数
中级 · 专项课程 · 1-3 个月

University of Washington
您将获得的技能: 分类与回归树 (CART), 人工智能, 机器学习算法, 机器学习, 回归分析, 文本挖掘, 深度学习, 预测建模, 贝叶斯统计, 功能工程, 数据挖掘, 预测分析, 大数据, 应用机器学习, 监督学习, 统计建模, 无监督学习, 图像分析, 计算机视觉, 统计机器学习
中级 · 专项课程 · 3-6 个月

DeepLearning.AI
您将获得的技能: 持续监测, 应用程序部署, 机器学习, 持续部署, 应用机器学习, 数据质量, 功能工程, MLOps(机器学习 Operator), 数据管道, 软件开发生命周期, Data Validation
中级 · 课程 · 1-4 周

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

IBM
您将获得的技能: 分类与回归树 (CART), 机器学习算法, 数据清理, 机器学习, 预测建模, 数据访问, 回归分析, 降维, 探索性数据分析, 统计假设检验, 统计推理, 数据科学, 应用机器学习, 数据质量, Scikit-learn (机器学习库), 数据分析, 监督学习, 统计建模, 功能工程, 无监督学习
中级 · 专项课程 · 3-6 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
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。