Об этом курсе
2,014

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Прибл. 40 часа на выполнение

Предполагаемая нагрузка: 6 hours/week...

Английский

Субтитры: Английский

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Прибл. 40 часа на выполнение

Предполагаемая нагрузка: 6 hours/week...

Английский

Субтитры: Английский

Программа курса: что вы изучите

Неделя
1
1 ч. на завершение

Course Orientation

You will become familiar with the course, your classmates, and our learning environment. The orientation will also help you obtain the technical skills required for the course....
2 видео ((всего 9 мин.)), 4 материалов для самостоятельного изучения, 1 тест
2 видео
Meet Professor Brunner4мин
4 материала для самостоятельного изучения
Syllabus10мин
About the Discussion Forums10мин
Updating Your Profile10мин
Social Media10мин
1 практическое упражнение
Orientation Quiz10мин
9 ч. на завершение

Module 1: Introduction to Machine Learning

This module provides the basis for the rest of the course by introducing the basic concepts behind machine learning, and, specifically, how to perform machine learning by using Python and the scikit learn machine learning module. First, you will learn how machine learning and artificial intelligence are disrupting businesses. Next, you will learn about the basic types of machine learning and how to leverage these algorithms in a Python script. Third, you will learn how linear regression can be considered a machine learning problem with parameters that must be determined computationally by minimizing a cost function. Finally, you will learn about neighbor-based algorithms, including the k-nearest neighbor algorithm, which can be used for both classification and regression tasks....
4 видео ((всего 47 мин.)), 3 материалов для самостоятельного изучения, 2 тестов
4 видео
Introduction to Machine Learning14мин
Introduction to Linear Regression14мин
Introduction to k-nn12мин
3 материала для самостоятельного изучения
Module 1 Overview10мин
Lesson 1-1 Readings10мин
Lesson 1-2 Readings10мин
1 практическое упражнение
Module 1 Graded Quiz20мин
Неделя
2
9 ч. на завершение

Module 2: Fundamental Algorithms

This module introduces several of the most important machine learning algorithms: logistic regression, decision trees, and support vector machine. Of these three algorithms, the first, logistic regression, is a classification algorithm (despite its name). The other two, however, can be used for either classification or regression tasks. Thus, this module will dive deeper into the concept of machine classification, where algorithms learn from existing, labeled data to classify new, unseen data into specific categories; and, the concept of machine regression, where algorithms learn a model from data to make predictions for new, unseen data. While these algorithms all differ in their mathematical underpinnings, they are often used for classifying numerical, text, and image data or performing regression in a variety of domains. This module will also review different techniques for quantifying the performance of a classification and regression algorithms and how to deal with imbalanced training data....
5 видео ((всего 52 мин.)), 4 материалов для самостоятельного изучения, 2 тестов
5 видео
Introduction to Fundamental Algorithms3мин
Introduction to Logistics Regression14мин
Introduction to Decision Trees15мин
Introduction to Support Vector Machine13мин
4 материала для самостоятельного изучения
Module 2 Overview10мин
Lesson 2-1 Readings10мин
Lesson 2-3 Readings10мин
Lesson 2-4 Readings10мин
1 практическое упражнение
Module 2 Graded Quiz20мин
Неделя
3
8 ч. на завершение

Module 3: Practical Concepts in Machine Learning

This module introduces several important and practical concepts in machine learning. First, you will learn about the challenges inherent in applying data analytics (and machine learning in particular) to real world data sets. This also introduces several methodologies that you may encounter in the future that dictate how to approach, tackle, and deploy data analytic solutions. Next, you will learn about a powerful technique to combine the predictions from many weak learners to make a better prediction via a process known as ensemble learning. Specifically, this module will introduce two of the most popular ensemble learning techniques: bagging and boosting and demonstrate how to employ them in a Python data analytics script. Finally, the concept of a machine learning pipeline is introduced, which encapsulates the process of creating, deploying, and reusing machine learning models. ...
5 видео ((всего 40 мин.)), 3 материалов для самостоятельного изучения, 2 тестов
5 видео
Introduction to Modeling Success6мин
Introduction to Bagging11мин
Introduction to Boosting9мин
Introduction to ML Pipelines8мин
3 материала для самостоятельного изучения
Module 3 Overview10мин
Lesson 3-1 Readings10мин
Lesson 3-2 Readings10мин
1 практическое упражнение
Module 3 Graded Quiz20мин
Неделя
4
9 ч. на завершение

Module 4: Overfitting & Regularization

This module introduces the concept of regularization, problems it can cause in machine learning analyses, and techniques to overcome it. First, the basic concept of overfitting is presented along with ways to identify its occurrence. Next, the technique of cross-validation is introduced, which can mitigate the likelihood that overfitting can occur. Next, the use of cross-validation to identify the optimal parameters for a machine learning algorithm trained on a given data set is presented. Finally, the concept of regularization, where an additional penalty term is applied when determining the best machine learning model parameters, is introduced and demonstrated for different regression and classification algorithms....
5 видео ((всего 48 мин.)), 4 материалов для самостоятельного изучения, 2 тестов
5 видео
Introduction to Overfitting4мин
Introduction to Cross-Validation13мин
Introduction to Model-Selection16мин
Introduction to Regularization8мин
4 материала для самостоятельного изучения
Module 4 Overview10мин
Lesson 4-1 Readings10мин
Lesson 4-2 Readings10мин
Lesson 4-3 Readings10мин
1 практическое упражнение
Module 4 Graded Quiz20мин

Преподаватели

Avatar

Robert Brunner

Professor
Accountancy

Сделайте шаг навстречу диплому магистра.

курс входит в онлайн-программу ''Master of Science in Accountancy (iMSA)' от партнера Иллинойсский университет в Урбане-Шампейне. Если вы переходите на полную программу, курсы засчитываются при получении диплома.

О Иллинойсский университет в Урбане-Шампейне

The University of Illinois at Urbana-Champaign is a world leader in research, teaching and public engagement, distinguished by the breadth of its programs, broad academic excellence, and internationally renowned faculty and alumni. Illinois serves the world by creating knowledge, preparing students for lives of impact, and finding solutions to critical societal needs. ...

Часто задаваемые вопросы

  • Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.

  • Оплатив сертификацию, вы получите доступ ко всем материалам курса, включая оцениваемые задания. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.

Остались вопросы? Посетите Центр поддержки учащихся.