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。

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。

本课程综合了您在应用机器学习专业所学到的所有知识。现在，您将通过一个完整的机器学习项目来准备机器学习维护路线图。您将了解并分析如何处理不断变化的数据。您还将能够识别和解释项目中潜在的意外影响。您将了解并定义操作和维护应用机器学习模型的程序。在本课程结束时，您将掌握所有必要的工具并理解如何自信地推出机器学习项目，并准备在业务环境中对其进行优化。

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（Amii）为您开设的应用机器学习专业的最后一门课程。