This is the second course in the four-course specialization Python Data Products for Predictive Analytics, building on the data processing covered in Course 1 and introducing the basics of designing predictive models in Python. In this course, you will understand the fundamental concepts of statistical learning and learn various methods of building predictive models. At each step in the specialization, you will gain hands-on experience in data manipulation and building your skills, eventually culminating in a capstone project encompassing all the concepts taught in the specialization.
Этот курс входит в специализацию ''Специализация Python Data Products for Predictive Analytics'
Design Thinking and Predictive Analytics for Data Products
от партнера
Об этом курсе
Недавно просмотрено: 6,296
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 2 из 4 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
Прибл. 10 часа на выполнение
Предполагаемая нагрузка: 4 hours/week
Английский
Субтитры: Английский
Программа курса: что вы изучите
2 ч. на завершение
Week 1: Supervised Learning & Regression
Welcome to the second course in this specialization! This week, we will go over the syllabus, download all course materials, and get your system up and running for the course. We will also introduce the basics of supervised learning and regression.
2 ч. на завершение
5 видео ((всего 46 мин.)), 4 материалов для самостоятельного изучения, 3 тестов
5 видео
Supervised Learning: Regression9мин
Regression in Python10мин
Time-Series Regression8мин
Autoregression6мин
4 материала для самостоятельного изучения
Syllabus10мин
Course Materials10мин
Set Up Your System10мин
Recap: Mathematical Notation10мин
3 практического упражнения
Review: Supervised Learning4мин
Review: Regression4мин
Supervised Learning & Regression10мин
1 ч. на завершение
Week 2: Features
This week, we will learn what features are in a dataset and how we can work with them through cleaning, manipulation, and analysis in Jupyter notebooks.
1 ч. на завершение
4 видео ((всего 29 мин.)), 1 материал для самостоятельного изучения, 3 тестов
4 видео
Features from Temporal Data8мин
Feature Transformations4мин
Missing Values7мин
1 материал для самостоятельного изучения
Supplementary Notebook for Features3мин
3 практического упражнения
Review: Getting Features
Review: Working with Features
Features10мин
1 ч. на завершение
Week 3: Classification
This week, we will learn about classification and several ways you can implement it, such as K-nearest neighbors, logistic regression, and support vector machines.
1 ч. на завершение
4 видео ((всего 31 мин.)), 3 тестов
4 видео
Classification: Nearest Neighbors4мин
Classification: Logistic Regression10мин
Introduction to Support Vector Machines10мин
3 практического упражнения
Review: Classification and K-Nearest Neighbors6мин
Review: Logistic Regression and Support Vector Machines5мин
Classification10мин
1 ч. на завершение
Week 4: Gradient Descent
This week, we will learn the importance of properly training and testing a model. We will also implement gradient descent in both Python and TensorFlow.
1 ч. на завершение
5 видео ((всего 36 мин.)), 3 тестов
5 видео
Introduction to Training and Testing6мин
Gradient Descent in Python8мин
Gradient Descent in TensorFlow6мин
Livecoding: Tensorflow7мин
3 практического упражнения
Review: Classification and Training4мин
Review: Gradient Descent4мин
More on Classification15мин
Преподаватели
Julian McAuley
Assistant ProfessorComputer Science
Ilkay Altintas
Chief Data Science OfficerSan Diego Supercomputer Center
О Калифорнийский университет в Сан-Диего
UC San Diego is an academic powerhouse and economic engine, recognized as one of the top 10 public universities by U.S. News and World Report. Innovation is central to who we are and what we do. Here, students learn that knowledge isn't just acquired in the classroom—life is their laboratory.
Специализация Python Data Products for Predictive Analytics: общие сведения
Python data products are powering the AI revolution. Top companies like Google, Facebook, and Netflix use predictive analytics to improve the products and services we use every day. Take your Python skills to the next level and learn to make accurate predictions with data-driven systems and deploy machine learning models with this four-course Specialization from UC San Diego.
This Specialization is for learners who are proficient with the basics of Python. You’ll start by creating your first data strategy. You’ll also develop statistical models, devise data-driven workflows, and learn to make meaningful predictions for a wide-range of business and research purposes. Finally, you’ll use design thinking methodology and data science techniques to extract insights from a wide range of data sources. This is your chance to master one of the technology industry’s most in-demand skills.
Python Data Products for Predictive Analytics is taught by Professor Ilkay Altintas, Ph.D. and Julian McAuley. Dr. Alintas is a prominent figure in the data science community and the designer of the highly-popular Big Data Specialization on Coursera. She has helped educate hundreds of thousands of learners on how to unlock value from massive datasets.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
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.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. 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.
Какие правила возврата средств?
Можно ли получить финансовую помощь?
Остались вопросы? Посетите Центр поддержки учащихся.