Starting from a history of machine learning, we discuss why neural networks today perform so well in a variety of data science problems. We then discuss how to set up a supervised learning problem and find a good solution using gradient descent. This involves creating datasets that permit generalization; we talk about methods of doing so in a repeatable way that supports experimentation.
Этот курс входит в специализацию ''Специализация Machine Learning with TensorFlow on Google Cloud Platform'
от партнера
Об этом курсе
Недавно просмотрено: 54,126
Карьерные результаты учащихся
43%
начал новую карьеру, пройдя эти курсы
44%
получил значимые преимущества в карьере благодаря этому курсу
29%
стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 2 из 5 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
Прибл. 20 часов на выполнение
Английский
Субтитры: Английский
Приобретаемые навыки
TensorflowBigqueryMachine LearningData Cleansing
Карьерные результаты учащихся
43%
начал новую карьеру, пройдя эти курсы
44%
получил значимые преимущества в карьере благодаря этому курсу
29%
стал больше зарабатывать или получил повышение
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 2 из 5 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
Прибл. 20 часов на выполнение
Английский
Субтитры: Английский
от партнера
Google Cloud
We help millions of organizations empower their employees, serve their customers, and build what’s next for their businesses with innovative technology created in—and for—the cloud. Our products are engineered for security, reliability, and scalability, running the full stack from infrastructure to applications to devices and hardware. Our teams are dedicated to helping customers apply our technologies to create success.
Программа курса: что вы изучите
8 минут на завершение
Introduction to Course
In this course you’ll get foundational ML knowledge so that you understand the terminology that we use throughout the specialization. You will also learn practical tips and pitfalls from ML practitioners here at Google and walk away with the code and the knowledge to bootstrap your own ML models.
8 минут на завершение
2 видео ((всего 8 мин.))
4 ч. на завершение
Improve Data Quality and Exploratory Data Analysis
In this module, we will introduce data quality issues and how to improve them. We will then look at exploratory data anlaysis.
4 ч. на завершение
5 видео ((всего 29 мин.)), 1 материал для самостоятельного изучения, 4 тестов
5 видео
Improve Data Quality13мин
Lab Intro Improve Data Quality1мин
Exploratory Data Anlaysis13мин
Lab Intro Exploratory Data Analysis46
1 материал для самостоятельного изучения
Resources10мин
2 практических упражнения
Practice Quiz on Improve Data Quality30мин
Practice Quiz on Exploratory Data Analysis30мин
8 ч. на завершение
Practical ML
In this module, we will introduce some of the main types of machine learning and review the history of ML leading up to the state of the art so that you can accelerate your growth as an ML practitioner.
8 ч. на завершение
13 видео ((всего 63 мин.)), 1 материал для самостоятельного изучения, 11 тестов
13 видео
Introduction1мин
Supervised Learning5мин
Regression and Classification11мин
Short History of ML: Linear Regression7мин
Short History of ML: Perceptron5мин
Short History of ML: Neural Networks7мин
Lab Intro: Introduction to Linear Regression26
Lab Intro: Introduction to Logistic Regression21
Short History of ML: Decision Trees5мин
Short History of ML: Random Forests4мин
Lab Intro: Decision Trees and Random Forests in Python30
Short History of ML: Kernel Methods4мин
Short History of ML: Modern Neural Networks8мин
1 материал для самостоятельного изучения
Resources10мин
8 практических упражнений
Supervised Learning30мин
Regression and Classification30мин
Linear Regression30мин
Perceptron30мин
Neural Networks30мин
Decision Trees 30мин
Kernel Methods30мин
History of ML: Modern Neural Networks30мин
3 ч. на завершение
Optimization
In this module we will walk you through how to optimize your ML models.
3 ч. на завершение
13 видео ((всего 61 мин.)), 1 материал для самостоятельного изучения, 4 тестов
13 видео
Defining ML Models4мин
Introducing the Course Dataset6мин
Introduction Loss Functions6мин
Gradient Descent5мин
Troubleshooting Loss Curves2мин
ML Model Pitfalls6мин
Lecture Lab: Introducing the TensorFlow Playground6мин
Lecture Lab: TensorFlow Playground - Advanced3мин
Lecture Lab: Practicing with Neural Networks6мин
Loss Curve Troubleshooting2мин
Performance Metrics3мин
Confusion Matrix5мин
1 материал для самостоятельного изучения
Resources10мин
4 практических упражнения
Lesson Quiz 30мин
Lesson Quiz30мин
Lesson Quiz30мин
Module Quiz30мин
4 ч. на завершение
Generalization and Sampling
Now it’s time to answer a rather weird question: when is the most accurate ML model not the right one to pick? As we hinted at in the last module on Optimization -- simply because a model has a loss metric of 0 for your training dataset does not mean it will perform well on new data in the real world. You will learn how to create repeatable training, evaluation, and test datasets and establish performance benchmarks.
4 ч. на завершение
9 видео ((всего 64 мин.)), 1 материал для самостоятельного изучения, 4 тестов
9 видео
Introduction1мин
Generalization and ML Models6мин
When to Stop Model Training5мин
Lecture Creating Repeatable Samples in BigQuery6мин
LectureDemo: Splitting Datasets in BigQuery8мин
Lab Introduction Creating Repeatable Dataset Splits in BigQuery1мин
Lab Solution Walkthrough Creating Repeatable Dataset Splits in BigQuery9мин
Lab Introduction Exploring and Creating ML Datasets2мин
Lab Solution Walkthrough Exploring and Creating ML Datasets23мин
1 материал для самостоятельного изучения
Resources10мин
2 практических упражнения
Generalization and ML Models30мин
Module Quiz30мин
1 ч. на завершение
Summary
1 ч. на завершение
1 видео ((всего 4 мин.)), 2 материалов для самостоятельного изучения, 1 тест
1 видео
Course Summary3мин
2 материала для самостоятельного изучения
Resources - Readings Compiled as PDF10мин
Quiz Questions as a PDF10мин
1 практическое упражнение
Course Quiz30мин
Рецензии
Лучшие отзывы о курсе LAUNCHING INTO MACHINE LEARNING
от партнера OD30 мая 2020 г.
Amazing course. For a beginner like me, it was a shot in the arm. Excellent presentation very lively and engaging. Hope to see the instructor soon in a another course. Thanks so much. I learned a lot.
от партнера PT1 дек. 2018 г.
This is an awesome module. It will open up so much inside story of ML process which is core of the topic with such a simplicity. It greatly increases my interest into this topic and this course :)
от партнера PA3 авг. 2018 г.
Good course, covering all the basics about machine learning and most importantly, everything that surrounds an ml project and you need to take into account to make your ml project successful.
от партнера KT8 апр. 2019 г.
My favourite course in the specialisation. I think it's a great idea to use historic time-frame to explain the advances in ML and why there is so much hype around deep learning.
Специализация Machine Learning with TensorFlow on Google Cloud Platform: общие сведения
What is machine learning, and what kinds of problems can it solve? What are the five phases of converting a candidate use case to be driven by machine learning, and why is it important that the phases not be skipped? Why are neural networks so popular now? How can you set up a supervised learning problem and find a good, generalizable solution using gradient descent and a thoughtful way of creating datasets? Learn how to write distributed machine learning models that scale in Tensorflow, scale out the training of those models. and offer high-performance predictions. Convert raw data to features in a way that allows ML to learn important characteristics from the data and bring human insight to bear on the problem. Finally, learn how to incorporate the right mix of parameters that yields accurate, generalized models and knowledge of the theory to solve specific types of ML problems. You will experiment with end-to-end ML, starting from building an ML-focused strategy and progressing into model training, optimization, and productionalization with hands-on labs using Google Cloud Platform.
Часто задаваемые вопросы
Можно ли ознакомиться с курсом до регистрации?
Да, до регистрации можно просмотреть первое видео и программу курса. Чтобы получить полный доступ к материалам курса, необходимо оплатить его.
Что я получу, зарегистрировавшись на курс?
После регистрации на курс и начала сессии вы получаете доступ ко всем видео и другим ресурсам курса, включая материалы для самостоятельного изучения и форумы обсуждений. Вы сможете выполнять тренировочные, а также сдавать обязательные оцениваемые задания и получить сертификат о прохождении курса.
Когда я получу сертификат о прохождении курса?
Если вы успешного пройдете курс, на странице ваших достижений появится электронный сертификат, который можно распечатать или прикрепить к профилю LinkedIn.
Почему я не могу прослушать этот курс?
Это один из немногих курсов на Coursera, которые предоставляются только на платной основе.
Is financial aid available?
Да, Coursera предоставляет финансовую помощь учащимся, которые не могут оплатить обучение. Чтобы подать заявление, перейдите по ссылке "Финансовая помощь" слева под кнопкой "Зарегистрироваться". Заполните форму заявления. Если его примут, вы получите уведомление. Обратите внимание: этот шаг необходимо выполнить для каждого курса специализации, в том числе для дипломного проекта. Подробнее
Остались вопросы? Посетите Центр поддержки учащихся.
