Coursera

Giriş

Resmi açıklamayı okuyun

Misyonumuz

Coursera herkes almak için dünya çapında en iyi üniversiteleri ve kuruluşları ile ortakları ücretsiz, online dersler sunmak için bir eğitim platformudur.

Biz herkesin dünya standartlarında eğitime erişimi olan bir geleceği öngörülüyor. Biz onların yaşamlarını iyileştirecek eğitim insanları, ailelerinin hayatlarını ve yaşadıkları toplulukları güçlendirmeyi hedefliyoruz.

Nasıl Çalışır

Bir kursa keşfedin ve bugün kaydolun

Dünyanın en iyi eğitim kurumları tarafından oluşturulmuş 400+ ders arasından seçim.

Kendi programında öğrenin

, Kısa video dersleri izleyin interaktif sınavlar, tam akran kademeli değerlendirmeleri almak ve sınıf arkadaşları ve öğretmenleri ile bağlayın.

Hedeflerinize ulaşmak

Sizin sınıf bitirmek ve başarı için tanınırlar.

Bizim Yaklaşımımız

Coursera deneyimi

Çok basit. Ve daha hızlı - Biz öğrencilerin daha iyi öğrenmelerine yardımcı istiyorum. Yani üst araştırmacılar tarafından doğrulanmadı kanıtlanmış öğretim yöntemleri dayalı bir platform tasarladık yüzden. Burada vizyonumuzu şekillenmesinde etkili olmuştur 4 anahtar fikirler şunlardır:

Online öğrenme etkinliği

Çevrimiçi öğrenme yaşam boyu eğitimde önemli bir rol oynamaktadır. Aslında, ABD Eğitim Bakanlığı tarafından son raporunda "ortalama (tamamen çevrimiçi veya harmanlanmış öğretti olsun) online öğrenme sınıfları sadece yüz yüze eğitim ile derslere göre daha güçlü öğrencilerin öğrenme sonuçlarını doğurur." Bulundu

Tam öğrenme

Eğitim psikoloğu Benjamin Bloom tarafından geliştirilen bir yaklaşıma dayanmaktadır, Tam Öğrenme öğrencilerin tamamıyla daha gelişmiş bir konu üzerine geçmeden önce bir konuyu anlamamıza yardımcı olur. Coursera, biz tipik bir öğrenci anlamadı bir kavram üzerinde anında geribildirim vermek. Birçok durumda, bir öğrenci çalışmayı tekrar ve ödev yeniden deneyebilirsiniz böylece atama randomize sürümlerini sağlar.

Akran değerlendirmeler

Birçok kurslarda, en anlamlı atamaları kolayca bir bilgisayar tarafından kademeli edilemez. Biz öğrenciler değerlendirmek ve birbirlerinin çalışmaları hakkında geri bildirim sağlayabilir akran değerlendirmelerini, kullanımı nedeni budur. Bu teknik öğrenci ve sınıf öğrencisi için değerli bir öğrenme deneyimi için doğru geribildirim neden birçok çalışmada gösterilmiştir.

Harmanlanmış öğrenme

Bizim ortak kurum Birçok gelişmiş bir öğrenme deneyimi ile kendi kampüs kazandırmak için online platformunu kullanıyor. Bu öğrenme harmanlanmış modeli öğrenci nişan, katılım ve performansı artırmak için çalışmalarda gösterilmiştir.

Bu okul şu programları sunmaktadır:
  • Ingilizce

Kursları inceleyin »

Programlar

Bu okulun aynı zamanda sundukları:

Ders

Makine öğrenme Kursu (orta)

Online Yarı zamanlı 8 ay Açık Kayıt Amerika Birleşik Devletleri ABD Çevrimiçi

Bu Uzmanlık makine öğrenme heyecan verici, yüksek talep alanına vaka-tabanlı giriş sağlar. Sen, büyük ve karmaşık veri kümelerini analiz verilerinden tahminler yapabilir uygulamalar oluşturmak ve uyum sistemleri oluşturmak ve zamanla geliştirmek için öğreneceksiniz. [+]

Bu Uzmanlık makine öğrenme heyecan verici, yüksek talep alanına vaka-tabanlı giriş sağlar. Sen, büyük ve karmaşık veri kümelerini analiz verilerinden tahminler yapabilir uygulamalar oluşturmak ve uyum sistemleri oluşturmak ve zamanla geliştirmek için öğreneceksiniz. Nihai Bitirme Projesi olarak, makine öğrenmesi algoritmalarının uygulanması sonucu özgün, gerçek dünya sorunu çözmek için yeteneklerinizi uygularız. Kurslar Makine Öğrenimi Temelleri: Bir Olgu Sunumu Yaklaşım Eğer veri var ve size söyleyebilirim merak ediyor musunuz? Eğer işinizi geliştirmek hangi makine öğrenme çekirdek yollarla daha derin bir anlayış gerekir mi? Derin öğrenme ve recommender sistemlerine regresyon ve sınıflandırmadan şey hakkında uzmanları ile sohbet edebilmek olmak ister misiniz? Bu derste, pratik vaka çalışmaları bir dizi makine öğrenimi ile hands-on deneyimi elde edecek. ilk ders sonunda, ev-düzey özelliklerine göre ev fiyatları tahmin kullanıcı değerlendirmeden duyguları analiz ilgi belgeleri almak, ürünleri tavsiye ve görüntüler için arama nasıl okudu olacaktır. Aracılığıyla hands-on, bu kullanım durumları ile uygulama, size etki geniş bir yelpazede makine öğrenme yöntemlerini uygulamak mümkün olacak. Bu ilk ders, bir kara kutu olarak makine öğrenme yöntemi davranır. Bu soyutlama kullanarak, ilgi görevlerini anlamak makine öğrenmesi araçları bu görevleri eşleşen ve çıktının kalitesini değerlendirmek üzerinde durulacak. sonraki derslerde, sen modelleri ve algoritmaları inceleyerek bu kara kutu bileşenleri üzerinde durulacaktır. Birlikte, bu parçaları akıllı uygulamalar geliştirme kullanacağı makine öğrenmesi boru hattı oluşturur. Öğrenim Çıktıları: Bu dersin sonunda, mümkün olacaktır: - Uygulamada makine öğrenme potansiyel uygulamalarını belirleyin. - Regresyon, sınıflandırma ve kümeleme olarak etkin analizlerde temel farklılıkları açıklayınız. - Potansiyel uygulama için uygun makine öğrenme görevi seçin. - Regresyon, sınıflandırma, kümeleme, alma, recommender sistemleri ve derin öğrenme uygulayın. - Makine öğrenmesi modellerine girdi olarak hizmet özellikleri gibi veri temsil eder. - Her görev için ilgili hata metrik açısından örnek kalitesini değerlendirin. - Yeni verileri analiz için bir model uygun bir veri kümesi yararlanın. - Özünde makine öğrenimi kullanan bir uçtan uca uygulaması oluşturun. - Python bu teknikleri uygulamak. Makine Öğrenimi: Regresyon Vaka Çalışması -, bir giriş özelliklerinden sürekli değer (fiyat) (kare görüntüleri, yatak odası ve banyo sayısını ...) tahmin modelleri yaratacak ev fiyatları tahmin, bizim ilk vaka çalışmasında Konut Fiyatları tahmin. Bu sadece regresyon uygulanabilir birçok yerlerden biridir. Diğer uygulamalar regülatörler gen ifadesi için önemli olan analiz için tahmin tıpta sağlık sonuçları, finans hisse senedi fiyatları ve yüksek performanslı bilgi işlem güç kullanımı, arasında değişir. Bu derste, sen tahmin ve özellik seçimi görev için regularized lineer regresyon modelleri inceleyeceğiz. Sen özelliklerin çok büyük setleri işlemek ve çeşitli karmaşıklık modelleri arasında seçim yapmak mümkün olacak. Bu tür aykırı olarak - - Ayrıca veri yönlerini etkisini analiz edecek seçtiğiniz model ve tahminlere. Bu modelleri sığdırmak için, büyük veri setlerine ölçek optimizasyon algoritmaları uygulayacaktır. Bir regresyon modelinin giriş ve çıkış açıklayın: - Öğrenim Çıktıları: Bu dersin sonunda, mümkün olacaktır. - Karşılaştırın ve veri modelleme yaparken önyargı ve varyans kontrast. - Optimizasyon algoritmaları kullanarak tahmin modeli parametreleri. - Çapraz doğrulama Dinle parametreleri. - Modelin performansını analiz edin. - Seyreklik kavramını açıklayın ve nasıl LASSO seyrek çözümlere yol açar. - Modeller arasında seçmek için yöntemler dağıtın. - Öngörüler oluşturmak için bir model Exploit. - Bir konut veri seti kullanarak fiyatları tahmin etmek için bir regresyon modeli oluşturun. - Python bu teknikleri uygulamak. Makine Öğrenimi: Sınıflandırma Vaka Çalışmaları: duyguları analiz bizim vaka çalışmasında duyarlık ve Kredi Standart Tahmin incelendiğinde, giriş özelliklerinden bir sınıf (pozitif / negatif duygu) (değerlendirme metni, kullanıcı profil bilgileri, ...) tahmin modelleri oluşturmak olacaktır. Bu ders için bizim ikinci vaka çalışmasında, kredi temerrüt öngörü, mali verileri mücadele ve kredi bankası için riskli ya da güvenli olması muhtemeldir zaman tahmin edecektir. Bu görevler, reklam hedeflemesi, spam algılama, tıbbi teşhis ve görüntü sınıflandırma da dahil olmak üzere geniş bir uygulama dizisi ile sınıflandırma bir örnek, makine öğrenmesi en yaygın olarak kullanılan alanlardan biri vardır. Bu derste, görevlerin çeşitli state-of-the-art performansı sağlar sınıflandırıcı yaratacak. Sen en yaygın lojistik regresyon, karar ağaçları ve artırılması da dahil olmak üzere, pratikte kullanılan en başarılı teknikleri aşina olacaktır. Buna ek olarak, tasarım ve stokastik gradyan yükselişini kullanarak ölçekte bu modeller öğrenebilirsiniz yatan algoritmaları uygulamak mümkün olacak. Sen gerçek dünya, büyük ölçekli makine öğrenme görevleri bu tekniği uygulayacak. Ayrıca eksik veri yönetimi ve hassas ölçüm ve sınıflandırıcı değerlendirmek hatırlamak dahil olmak üzere ML gerçek dünya uygulamalarında karşı karşıya gelecek önemli görevleri ele alacaktır. Bu ders hands-on, aksiyon dolu ve görsel ve bu teknikler gerçek verilere nasıl davranacağı resimlerinden doludur. Biz de daha derin gitmek isteyenler için gelişmiş konuları kapsayan, her modülde isteğe bağlı içerik dahil ettik! Bir sınıflandırma modeli giriş ve çıkış açıklayın: - Amacı Öğrenme: Bu dersin sonunda, mümkün olacaktır. - İkili ve MultiClass sınıflandırma problemleri hem takımları. - Büyük ölçekli sınıflandırma için bir lojistik regresyon modeli uygulayın. - Karar ağaçları kullanarak doğrusal olmayan bir modeli oluşturun. - Artırılması kullanarak herhangi bir modelin performansını artırın. - Stokastik degrade yükselme ile yöntemlerini ölçekleme. - Altta yatan karar sınırlarını tanımlar. - Bir ürün inceleme veri kümesi içinde duyguları tahmin etmek için bir sınıflandırma modeli oluşturun. - Kredi varsayılan tahmin finansal verileri analiz edin. - Eksik veri yönetimi kullanın teknikleri. - Hassas hatırlama ölçümleri kullanarak modellerini değerlendirin. - (Python şiddetle tavsiye edilir olsa da, seçtiğiniz dil veya) Python bu teknikleri uygulamak. Makine Öğrenimi: Kümeleme ve Alma Vaka Çalışmaları: Benzer Dökümanlar Bir okuyucu bulma Belirli bir haber makaleye ilgi olduğunu ve tavsiye benzer makaleleri bulmak istiyorum. benzerlik sağ kavramı nedir? Ayrıca, diğer belgelerin milyonlarca orada ne olur? Eğer istediğiniz her zaman yeni bir belge almak, diğer tüm belgeler üzerinden arama yapmak gerekiyor? Nasıl birlikte size grup benzer belgeler do? Nasıl belgeler kapsayan yeni gelişmekte olan konular keşfedersiniz? Bu üçüncü vaka çalışmasında, benzer belgeler bulma, sen alımı için benzerlik tabanlı algoritmalar inceleyeceğiz. Bu derste, ayrıca, korpus belgeleri açıklayan kümeleme ve bu latent Dirichlet tahsisi (LDA) gibi karışık üyelik modelleri, dahil olmak üzere yapısal temsillerini inceleyeceğiz. Belge kümelenmelerinin öğrenmek için beklenti maksimizasyonu (EM) uygulamak ve mapreduce yöntemler kullanılarak ölçek nasıl göreceksiniz. k-en yakın komşuları ile bir belge alma sistemi oluşturun: - Öğrenim Çıktıları: Bu dersin sonunda, mümkün olacaktır. - Metin veri için çeşitli benzerlik ölçümlerini tanımlayın. - KD-ağaçları kullanarak k-en yakın komşu arama hesaplamaları azaltın. - Yöreden duyarlı karma kullanarak yaklaşık yakın komşuları üretin. - Karşılaştırın ve denetimli ve denetimsiz öğrenme görevlerini kontrast. - K-araçlar kullanılarak konuya göre küme belgeleri. - Mapreduce kullanarak k-ortalama parallelize nasıl açıklayın. - Karışımlar modelleri kullanarak olasılık kümelenme yaklaşımları inceleyin. - Beklenti maksimizasyonu kullanarak Gauss modeli (EM) bir karışımı takın. - Gizli Dirichlet tahsisini (LDA) kullanarak karışık üyelik modelleme gerçekleştirin. - Bir Gibbs örnekleyici ve nasıl çıkarımlarda için çıkışını kullanmak için adımlarını tanımlar. - Karşılaştırın ve olmayan dışbükey optimizasyon hedefleri için kontrast başlatma teknikleri. - Python bu teknikleri uygulamak. Makine Öğrenimi: Öneri Sistemleri ve Boyut Azaltma Vaka Çalışması: Amazon ürünleri tavsiye nasıldır Ürünleri önerme Eğer satın ilginizi çekebilir? Nasıl Netflix izlemek isteyebilirsiniz gösterir hangi film ya da televizyon karar veriyor? Eğer yeni bir kullanıcı iseniz ne Netflix sadece en popüler filmleri tavsiye gerekir? Kim Facebook ya da LinkedIn ile yeni bir bağlantı kurabilirler? Bu sorular çoğu servis tabanlı endüstriler için endemik olan ve işbirlikçi filtreleme kavramını ve bu sorunları çözmek için dağıtılan recommender sistemleri altında yatan. Bu dördüncü durumda çalışmada, müşteri incelemelere göre ürünlerini tavsiye bağlamında bu fikirleri ele alınacaktır. Bu derste, yüksek boyutlu veri modelleme için boyut indirgeme teknikleri ele alınacaktır. recommender sistemlerinin durumunda, veri potansiyel milyonlarca kullanıcıya ve ürünlerin yüz binlerce ile, kullanıcı ürünün ilişkileri olarak temsil edilir. Yeni kullanıcı ürün ilişkileri tahmin görev için matris çarpanlara ve gizli faktör modellerini uygulayacak. Ayrıca ürün ve tahminlerini geliştirmek kullanıcılar hakkında yan bilgileri kullanacaktır. Öğrenim Çıktıları: Bu dersin sonunda, mümkün olacaktır: - işbirlikçi filtreleme sistemi oluşturun. - SVD, PCA ve rastgele projeksiyonları kullanılarak verinin boyutunu azaltın. - Iniş koordinat matris çarpanlara gerçekleştirin. - Bir recommender sistemi olarak gizli faktör modelleri dağıtın. - Yan bilgileri kullanarak soğuk çalıştırma sorunu tutun. - Bir ürün öneri uygulaması inceleyin. - Python bu teknikleri uygulamak. Makine Öğrenimi Bitirme: Derin Öğrenme ile akıllı uygulama Hiç bir ürün recommender nasıl inşa edildiğini merak ettiniz mi? Nasıl değerlendirmeden yatan duyguları çıkarabiliriz? Nasıl tavsiye görsel-benzer ürünler bulmak görüntülerinden bilgi elde edebilir? gerçek zamanlı olarak tüm bunları yapar ve bir ön uç kullanıcı deneyimi sağlayan bir uygulama nasıl inşa? Yani bu derste inşa edecek ne! Eğer şimdiye kadar makine öğrenimi hakkında öğrendiklerinizi kullanarak, sadece bir gerçekten yenilikçi akıllı uygulama oluşturmak için ürün açıklamaları ve değerlendirmeleri ile ürünlerin görüntüleri birleştirir benzer ürünleri bulmak çok daha fazlasını yapan bir genel ürün recommender sistemi inşa edecek. Muhtemelen Derin Öğrenme özellikle görüntü verilerini analiz etmek için, makine öğrenimi en umut verici tekniklerden biri olarak dünya çapında haber yapıyor olduğunu duydum. rekabetçi olabilmek için, derin öğrenme potansiyelini ortaya çıkaracak kaynak ayırmak, her sanayi ile, bu tür görüntü etiketleme, nesne tanıma, konuşma tanıma ve metin analizi gibi görevleri bu modelleri kullanmak isteyeceksiniz. Bu capstone, sen ne yaptıklarını, ne olduklarını araştırmak ve nasıl sinir ağları kullanılarak derin öğrenme modellerini inşa edecek. Ayrıca biz derin özellikler diyoruz önceden eğitilmiş modeller kullanarak belirli bir görev için özel derin öğrenme sınıflandırıcılar, inşa edecek, tasarım, eğitim ve ayar ağları tarafından tanıtılan engeli kaldırmak için, ve daha az etiketli verilerle yüksek performans elde edebilmek için . Bu capstone projenin bir çekirdek parçası olarak, görüntü tabanlı ürün önerisi için derin bir öğrenme modelini uygulayacak. Daha sonra yeni bir ürün bulma deneyimi sağlar heyecan verici, uçtan uca akıllı uygulama oluşturmak için yorumun ürün ve bilgi metni açıklamaları ile bu görsel modeli bir araya getirecektir. Daha sonra arkadaşlarınız ve potansiyel işverenler ile paylaşabileceğiniz bir hizmet olarak dağıtmak olacaktır. Öğrenme Çıktıları: Bu capstone sonunda, size mümkün olacaktır: - ürünleri, değerlendirme ve görüntülerin bir veri kümesi keşfedin. - Bir ürün tavsiye eden oluşturun. - Bir sinir ağı modeli temsil açıklayın ve doğrusal olmayan özellikleri kodlar nasıl. - Daha iyi performans elde etmek için katmanları ve aktivasyon fonksiyonlarının farklı birleştirin. - Kullanım yeni sınıflandırma görevler için, bu tür derin özellikler gibi modeller, pretrained. - Bu modeller bilgisayar vizyonu, metin analizi ve konuşma tanıma uygulanabilir açıklayınız. - Kullanıcıların istediğiniz ürünleri bulmak için görsel özelliklerini kullanın. - Tavsiye içine yorum duyguları birleştirin. - Uçtan uca uygulaması oluşturun. - Bir hizmet olarak dağıtın. - Python bu teknikleri uygulamak. [-]

İletişim
Yer adresi
USA Online, US