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。
机器学习算法：监督学习从头到尾
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
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
授课教师评分
(78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
76.01%
- 4 stars
18.46%
- 3 stars
3.11%
- 2 stars
1.19%
- 1 star
1.19%
显示 3/417 个
RM
已于 Dec 8, 2020审阅
I found the course to be enough detailed to get clarity on the basic concepts of Supervised learning algorithms. I hope to apply the learning from the course in work!
CW
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
VD
已于 Aug 31, 2020审阅
really good, wish it had covered random forest and decision trees and other supervised models as well.
从 数据科学 浏览更多内容
DeepLearning.AI
Alberta Machine Intelligence Institute
