本课程将带您了解机器学习项目的基础知识。学员将了解并在实际案例研究中实施监督学习技术,分析决策树、k-近邻和支持向量机得到最佳应用的商业案例场景。学员还将掌握对比不同数据准备步骤的实际后果的技能,并描述应用 ML 中常见的生产问题。 要取得成功,您至少应具备 Python 编程的初级背景(例如,能够阅读和跟踪现有代码,能够自如地使用条件、循环、变量、列表、字典和数组)。您应该对线性代数(向量符号)和统计学(概率分布和均值/中值/模式)有基本的了解。 本课程是 Coursera 和阿尔伯塔机器智能研究所为您开设的应用机器学习专业的第二门课程。


您将获得的技能
要了解的详细信息

添加到您的领英档案
9 项作业
了解顶级公司的员工如何掌握热门技能

积累特定领域的专业知识
- 向行业专家学习新概念
- 获得对主题或工具的基础理解
- 通过实践项目培养工作相关技能
- 获得可共享的职业证书

该课程共有4个模块
欢迎收看《监督学习,从头到尾》!本周我们将介绍监督学习的基础知识,尤其是分类,并教您两种分类算法:决策树和 K-NN。您将通过 Jupyter 笔记本在平台上开始编程,并开始熟悉使用机器学习进行分类时出现的所有问题。
涵盖的内容
8个视频4篇阅读材料2个作业2个非评分实验室
欢迎来到课程的第二周!在本周,您将学习回归算法的全部内容,这是监督学习的另一面。我们将向你介绍找线的概念、优化标准以及所有相关问题。通过回归,我们将看到模型复杂性和准确性之间的相互作用,您将初步了解回归和分类之间的关系。
涵盖的内容
9个视频1篇阅读材料4个作业
本周,我们将直接深入使用回归进行分类。我们将介绍构成支持向量机算法的所有基本部分,这样你就能理解许多看似不相关的机器学习算法是如何联系在一起的。我们将向你介绍逻辑回归、神经网络和支持向量机,并向你展示如何实现其中的两种算法。
涵盖的内容
6个视频1篇阅读材料2个作业2个非评分实验室
现在,在课程的尾声,我们将介绍如何了解模型的实际性能,以及如何才能使模型获得更好的性能。我们将回顾回归和分类的特定评估问题,并介绍一些真正能帮助您分析模型性能的其他工具。本周涉及的主题旨在让您对自己的模型充满信心,从而为实现业务目标释放机器学习的力量。
涵盖的内容
8个视频1篇阅读材料1个作业1个非评分实验室
获得职业证书
将此证书添加到您的 LinkedIn 个人资料、简历或履历中。在社交媒体和绩效考核中分享。
位教师

从 机器学习 浏览更多内容
- 状态:预览
Sungkyunkwan University
- 状态:免费试用
Alberta Machine Intelligence Institute
- 状态:免费试用
- 状态:免费试用
Alberta Machine Intelligence Institute
人们为什么选择 Coursera 来帮助自己实现职业发展




学生评论
415 条评论
- 5 stars
75.90%
- 4 stars
18.55%
- 3 stars
3.13%
- 2 stars
1.20%
- 1 star
1.20%
显示 3/415 个
已于 Jun 22, 2020审阅
Easy and engaging. But would loved it more if some more coding examples were given.
已于 May 6, 2020审阅
Many useful information but need some more explanation, overall awesome
已于 Sep 29, 2020审阅
Great course, easy to grasp the main idea of how to assess and tune the performance of question-answering machines learned by machine learning algorithms through data
常见问题
要获取课程资料、作业和证书,您需要在注册课程时购买证书体验。 您可以尝试免费试听,或申请资助。课程可能提供 "完整课程,无证书"。通过该选项,您可以查看所有课程资料,提交必要的评估,并获得最终成绩。这也意味着您无法购买证书体验。
注册课程后,您就可以访问专项课程中的所有课程,完成作业后还可以获得证书。您的电子证书将添加到您的 "成就 "页面--在那里,您可以打印证书或将其添加到您的 LinkedIn 个人资料中。
是的。在特定的学习课程中,如果您付不起注册费,可以申请助学金或奖学金。如果您选择的学习课程有助学金或奖学金,您可以在说明页面找到申请链接。
更多问题
提供助学金,