本课程将向您介绍有监督机器学习的主要建模类型之一：回归。您将学习如何训练回归模型来预测连续结果，以及如何使用误差指标来比较不同的模型。本课程还将引导您了解最佳实践，包括训练和测试拆分以及正则化技术。 课程结束时，您应该能够： 区分分类和回归在有监督机器学习中的用途和应用 描述和使用线性回归模型 使用各种误差指标来比较和选择最适合您的数据的线性回归模型 阐明正则化为何有助于防止过拟合 使用正则化回归：Ridge、LASSO 和 Elastic net 谁应该学习本课程？ 本课程针对有志于在商业环境中获得监督机器学习回归技术实践经验的数据科学家。 您应该具备哪些技能？ 要充分利用本课程，您应该熟悉 Python 开发环境中的编程，并对数据清理、探索性数据分析、微积分、线性代数、概率论和统计学有基本的了解。

本课程将向您介绍有监督机器学习的主要建模类型之一：分类。您将学习如何训练预测模型来对分类结果进行分类，以及如何使用误差指标来比较不同的模型。本课程的实践部分侧重于使用分类的最佳实践，包括训练和测试拆分，以及处理具有不平衡类的数据集。

课程结束时，您应该能够： -区分分类和分类集合的用途和应用 -描述和使用逻辑回归模型 -描述和使用决策树和树集合模型 -描述和使用其他分类集合方法 -使用各种误差指标来比较和选择最适合您数据的分类模型 -使用过度采样和不足采样技术来处理数据集中的不平衡类 谁应该参加本课程？ 本课程针对有志于在商业环境中获得监督机器学习分类技术实践经验的数据科学家。 您应具备哪些技能？ 要充分利用本课程，您应熟悉 Python 开发环境中的编程，并对数据清理、探索性数据分析、微积分、线性代数、概率论和统计学有基本的了解。

本课程将向您介绍机器学习的主要类型之一：无监督学习。您将学习如何从没有目标或标注变量的数据集中找到洞察力。您将学习几种用于无监督学习的聚类和降维算法，以及如何选择最适合您数据的算法。本课程的实践部分侧重于使用无监督学习的最佳实践。 在本课程结束时，您应该能够： 解释适合无监督学习方法的问题类型 解释维度诅咒，以及它如何使具有许多特征的聚类变得困难 描述和使用常见的聚类和降维算法 在适当的情况下尝试聚类点，比较每个聚类模型的性能 了解描述聚类特征的相关指标 谁应该学习本课程？

本课程针对有志于在商业环境中获得无监督机器学习技术实践经验的数据科学家。 您应具备哪些技能？ 要充分利用本课程，您应熟悉 Python 开发环境中的编程，并对数据清理、探索性数据分析、微积分、线性代数、概率论和统计学有基本的了解。

本课程将向您介绍机器学习领域最热门的两个学科：深度学习和强化学习。深度学习是机器学习的一个子集，在监督学习和非监督学习中都有应用，并且经常被用来支持我们日常使用的大多数人工智能应用。首先，您将了解作为深度学习基础的神经网络背后的理论，以及深度学习的几种现代架构。当你开发了几个深度学习模型后，课程将重点介绍强化学习（Reinforcement Learning），这是一种最近受到更多关注的机器学习类型。虽然目前强化学习只有少数实际应用，但它是人工智能中一个很有前途的研究领域，在不久的将来可能会变得很有意义。 本课程结束后，如果您已经按顺序学习了 IBM 专业课程，那么您将对机器学习的主要类型有相当多的实践和扎实的理解，这些类型包括：监督学习、非监督学习、无监督学习：在本课程结束时，您应该能够： 解释适合无监督学习方法的问题类型 解释维度诅咒，以及它如何使具有许多特征的聚类变得困难 描述和使用常见的聚类和降维算法 在适当的情况下尝试聚类点，比较每个聚类模型的性能 了解描述聚类特征的相关指标 谁应该学习本课程？

本课程针对有志于获得深度学习和强化学习实践经验的数据科学家。 您应该具备哪些技能？ 要充分利用本课程，您应该熟悉 Python 开发环境中的编程，并对数据清理、探索性数据分析、无监督学习、监督学习、微积分、线性代数、概率论和统计学有基本的了解。