案例研究 - 预测房价 在我们的第一个案例研究 "预测房价 "中，您将根据输入特征（平方英尺、卧室和浴室数量......）创建预测连续值（价格）的模型。 这只是回归应用的众多领域之一。 其他应用包括预测医学中的健康结果、金融中的股票价格、高性能计算中的功率使用，以及分析哪些调节因子对基因表达很重要。 在本课程中，您将探索正则化线性回归模型，以完成预测和特征选择任务。 您将能够处理非常大的特征集，并在不同复杂度的模型之间进行选择。 您还将分析数据的各个方面（如异常值）对所选模型和预测的影响。 为了拟合这些模型，您将实施可扩展到大型数据集的优化算法。 学习成果： 使用优化算法估算模型参数 -使用交叉验证调整参数 -分析模型性能 -描述稀疏性概念以及 LASSO 如何导致稀疏解 -部署在模型之间进行选择的方法 -利用模型进行预测。

-利用住房数据集建立回归模型来预测价格。

案例研究：情感分析和贷款违约预测 在情感分析案例研究中，您将创建模型，根据输入特征（评论文本、用户资料信息......）预测类别（正面/负面情感）。 在本课程的第二个案例研究 "贷款违约预测 "中，您将处理金融数据，并预测何时贷款对银行来说可能有风险或安全。这些任务都是分类的例子，分类是机器学习中应用最广泛的领域之一，应用范围非常广泛，包括广告定位、垃圾邮件检测、医疗诊断和图像分类。

在本课程中，您将创建能在各种任务中提供最先进性能的分类器。 您将熟悉在实践中应用最广泛的最成功的技术，包括逻辑回归、决策树和提升。 此外，您还将能够设计和实施底层算法，利用随机梯度上升法大规模学习这些模型。 您将在真实世界的大规模机器学习任务中实施这些技术。 您还将解决在现实世界的机器学习应用中面临的重要任务，包括处理缺失数据以及测量精度和召回率以评估分类器。 本课程注重实践，操作性强，充满了这些技术在真实数据上的表现的可视化和图解。 我们还在每个模块中加入了可选内容，为想要深入学习的人提供高级主题！ 学习目标：在本课程结束时，您将能够： -描述分类模型的输入和输出 -解决二元分类和多分类问题 -为大规模分类实施逻辑回归模型。 -使用决策树创建非线性模型。 -建立分类模型，预测产品评论数据集中的情感。 -使用处理缺失数据的技术。 使用精确度-召回度量评估你的模型。

案例研究：查找相似文档 一位读者对一篇特定的新闻文章很感兴趣，而你想找到相似的文章推荐给他。 什么是正确的相似性概念？ 此外，如果还有数以百万计的其他文档呢？ 每次检索新文档时，是否需要搜索所有其他文档？ 如何将相似文档归类？ 如何发现文档中新出现的主题？

在第三个案例研究 "查找相似文档 "中，您将研究基于相似性的检索算法。 在本课程中，您还将学习描述语料库中文档的结构化表示法，包括聚类和混合成员模型，如潜在 Dirichlet 分配 (LDA)。 您将实施期望最大化（EM）来学习文档聚类，并了解如何使用 MapReduce 来扩展这些方法。 学习成果： 使用 KD 树减少 K 近邻搜索中的计算量 -使用定位敏感散列生成近似近邻 -比较和对比监督学习和非监督学习任务 -使用 K 均值法按主题对文档进行聚类 -描述如何使用 MapReduce 对 K 均值法进行并行化。 -使用期望最大化（EM）拟合高斯混合模型 -使用潜在 Dirichlet 分配（LDA）执行混合成员模型 -描述吉布斯采样器的步骤以及如何使用其输出进行推断 -比较和对比非凸优化目标的初始化技术 -在 Python 中实施这些技术。