Problem-Dependent Resampling Techniques

kurs ist nicht verfügbar in Deutsch (Deutschland)

Wir übersetzen es in weitere Sprachen.

Problem-Dependent Resampling Techniques

Dozenten: Jonne Pohjankukka

Bei enthalten

Mehr erfahren

3 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

6 Stunden zu vervollständigen

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

3 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

6 Stunden zu vervollständigen

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

Was Sie lernen werden

Apply spatial cross-validation to account for spatial autocorrelation
Adapt performance evaluation methods for structured data relationships
Use statistical tests such as Wilcoxon and permutation tests to assess significance
Critically evaluate reported machine learning performance results

Kompetenzen, die Sie erwerben

Kategorie: Spatial Analysis
Kategorie: Model Evaluation
Kategorie: Applied Machine Learning
Kategorie: Analytics
Kategorie: Data Processing
Kategorie: Machine Learning
Kategorie: Feature Engineering
Kategorie: Analytical Skills
Kategorie: Data Synthesis
Kategorie: Machine Learning Algorithms
Kategorie: Sampling (Statistics)
Kategorie: Sample Size Determination
Kategorie: Analysis
Kategorie: Spatial Data Analysis
Kategorie: Statistical Methods
Kategorie: Drug Interaction
Kategorie: Statistical Hypothesis Testing
Kategorie: Correlation Analysis
Kategorie: Dependency Analysis

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Kürzlich aktualisiert!

April 2026

Bewertungen

4 Aufgaben

Unterrichtet in Englisch

91%

of learners achieved a positive career outcome

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

In diesem Kurs gibt es 3 Module

This course is designed for data scientists, machine learning practitioners, and researchers who want to understand how resampling techniques must be adapted to the structure of the problem at hand.

You will learn how standard validation methods such as cross-validation can fail when applied blindly, and how to design problem-dependent resampling strategies for spatial data, pair-input data, and other dependent observation structures. The course also covers spatial cross-validation, dependency-aware evaluation design, and statistical testing methods to assess whether performance estimates are reliable. By the end of the course, you will be able to choose and construct appropriate resampling strategies that reflect the true structure of your data and provide trustworthy performance estimates.

In the first module, we describe how cross-validation based model performance estimation can produce optimistic results with spatial data sets. We discuss how the inherent property called spatial autocorrelation in geographical data sets causes an optimistic bias in the cross-validation procedure, and how should this problem be tackled. To take into account the effects of spatial autocorrelation, we discuss the modified version of cross-validation, the spatial cross-validation designed for evaluating model prediction performance with spatial data sets. Furthermore, we present the motivation behind spatial cross-validation from industry perspective, and how the method can be utilized in data sampling.

Das ist alles enthalten

6 Videos1 Lektüre2 Aufgaben1 Diskussionsthema

6 VideosInsgesamt 37 Minuten

Introduction to spatial data and spatial autocorrelation6 Minuten
Spatial data and cross-validation7 Minuten
Spatial cross-validation4 Minuten
Spatial cross-validation (pseudocode)7 Minuten
Spatial cross-validation in forestry application8 Minuten
Sampling grid optimization via spatial cross-validation4 Minuten

1 LektüreInsgesamt 50 Minuten

Additional study material for Module 1: Spatial k-fold cross validation50 Minuten

2 AufgabenInsgesamt 70 Minuten

Evaluating spatial models with spatial cross-validation40 Minuten
Temp30 Minuten

1 DiskussionsthemaInsgesamt 10 Minuten

Module 1 Discussion10 Minuten

Pair-input data are encountered in many applications and have unique properties that need to be taken into account. In this module, we first discuss what pair-input data are and what key characteristics they have, introducing drug-target interactions as an example. We then examine how dependencies emerge between pair-input observations and discuss how those dependencies can be used to characterize pair-input observations. Building on this categorization, we finally explore how to modify performance evaluation methods to obtain reliable estimates of out-of-sample prediction performance for pair-input data. The modifications to the selection of training observations are mathematically formulated.

Das ist alles enthalten

5 Videos1 Aufgabe1 Diskussionsthema

In this module, we will learn how to determine suitable statistical tests for given machine learning tasks. As an example, we will go through the well-known Wilcoxon test for classifier evaluation. We will also learn about some of the common pitfalls we can fall into if we are not careful in model performance estimation. We see how it is possible to get a very good model performance estimations even though there is no existing pattern in the data. In addition, we will learn how careless feature selection can cause optimistically biased performance estimation in cross-validation. Lastly, we go through the permutation test which allows us to measure the statistical significance of our model performance estimate.

Das ist alles enthalten

5 Videos1 Aufgabe1 Diskussionsthema

Dozenten

Jonne Pohjankukka

28DIGITAL

3 Kurse30 Lernende

von

28DIGITAL

Mehr von Data Analysis entdecken

University of Maryland, College Park
Dealing With Missing Data
Kurs
28DIGITAL
Performance measures and validation methods
Kurs
University of Colorado Boulder
Regression Analysis
Kurs
University of Colorado Boulder
Resampling, Selection and Splines
Kurs

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Schalten Sie den Zugang zu mehr als 10.000 Kursen mit einem Abonnement frei
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich den über 4.700 globalen Unternehmen an, die Coursera for Business wählen

Häufig gestellte Fragen

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.