本课程主要介绍数据以及数据对应用机器学习模型成功的关键作用。完成本课程后，学习者将掌握以下技能： 了解学习、训练和运行阶段数据的关键要素 了解数据的偏差和来源 实施提高模型通用性的技术 解释过拟合的后果并确定缓解措施 实施适当的测试和验证措施 展示如何通过深思熟虑的特征工程提高模型的准确性 探索算法参数对模型强度的影响 要成功完成本课程，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，熟悉条件循环、变量循环、列表、字典和数组）、能够阅读和跟踪现有代码，熟练使用条件、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三门课程。
机器学习数据
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
本课程是 机器学习真实世界中的算法 专项课程 专项课程的一部分
在注册此课程时，您还会同时注册此专项课程。
- 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
我们都知道，数据对于机器学习的成功非常重要，但数据到底是什么样子的？从零散、未经处理的数据到干净整洁的学习数据，您需要采取哪些步骤？本周将从总体角度来描述您的问题和数据需求是如何相互作用的，以及成功的数据准备需要哪些流程。
涵盖的内容
11个视频2篇阅读材料3个作业
既然已经确定了数据源，就需要将所有数据整合在一起。本周将介绍总体数据准备所需的内容。
涵盖的内容
11个视频4个作业
数据是问题的关键所在。本周我们将讨论如何将通用数据成功转化为特定机器学习项目的燃料。
涵盖的内容
8个视频2篇阅读材料3个作业1个编程作业1个非评分实验室
数据出错的方式有很多！本周讨论了数据识别和处理中的一些陷阱。
涵盖的内容
9个视频4个作业
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
授课教师评分
(19个评价)
人们为什么选择 Coursera 来帮助自己实现职业发展
Felipe M.
自 2018开始学习的学生
''能够按照自己的速度和节奏学习课程是一次很棒的经历。只要符合自己的时间表和心情，我就可以学习。'
Jennifer J.
自 2020开始学习的学生
''我直接将从课程中学到的概念和技能应用到一个令人兴奋的新工作项目中。'
Larry W.
自 2021开始学习的学生
''如果我的大学不提供我需要的主题课程，Coursera 便是最好的去处之一。'
Chaitanya A.
''学习不仅仅是在工作中做的更好：它远不止于此。Coursera 让我无限制地学习。'
学生评论
- 5 stars
60.20%
- 4 stars
26.53%
- 3 stars
9.18%
- 2 stars
1.02%
- 1 star
3.06%
显示 3/98 个
PA
已于 Jun 8, 2020审阅
Well this course absolutely good,but you need patience when doing programming assignment,and there's a lot error tho,but what we need is that information,anna gave us the easiest insight
BS
已于 Oct 11, 2020审阅
Some bugs in the assignment, but overall excellent discussion of how to avoid common pitfalls when using data for ML.
CC
已于 Jul 4, 2020审阅
Good course, if you follow the previous ones and if you know some python (Pandas).
从 数据科学 浏览更多内容
O.P. Jindal Global University
Illinois Tech
Alberta Machine Intelligence Institute
Wesleyan University