This course will help us to evaluate and compare the models we have developed in previous courses. So far we have developed techniques for regression and classification, but how low should the error of a classifier be (for example) before we decide that the classifier is "good enough"? Or how do we decide which of two regression algorithms is better?
Этот курс входит в специализацию ''Специализация Python Data Products for Predictive Analytics'
от партнера
Специализация Python Data Products for Predictive AnalyticsКалифорнийский университет в Сан-ДиегоОб этом курсе
Недавно просмотрено: 5,850
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 3 из 4 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
Прибл. 7 часов на выполнение
Английский
Субтитры: Английский
Чему вы научитесь
Understand the definitions of simple error measures (e.g. MSE, accuracy, precision/recall).
Evaluate the performance of regressors / classifiers using the above measures.
Understand the difference between training/testing performance, and generalizability.
Understand techniques to avoid overfitting and achieve good generalization performance.
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 3 из 4 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
Прибл. 7 часов на выполнение
Английский
Субтитры: Английский
от партнера
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.
Программа курса: что вы изучите
2 ч. на завершение
Week 1: Diagnostics for Data
For this first 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 diagnostics for the results of supervised learning.
2 ч. на завершение
6 видео ((всего 49 мин.)), 4 материалов для самостоятельного изучения, 3 тестов
6 видео
Motivation Behind the MSE8мин
Regression Diagnostics: MSE and R²6мин
Over- and Under-Fitting6мин
Classification Diagnostics: Accuracy and Error11мин
Classification Diagnostics: Precision and Recall12мин
4 материала для самостоятельного изучения
Syllabus10мин
Setting Up Your System10мин
(Optional) Additional Resources and Recommended Readings10мин
Course Materials10мин
3 практических упражнения
Review: Regression Diagnostics8мин
Review: Classification Diagnostics4мин
Diagnostics for Data30мин
2 ч. на завершение
Week 2: Codebases, Regularization, and Evaluating a Model
This week, we will learn how to create a simple bag of words for analysis. We will also cover regularization and why it matters when building a model. Lastly, we will evaluate a model with regularization, focusing on classifiers.
2 ч. на завершение
4 видео ((всего 35 мин.))
4 видео
Model Complexity and Regularization10мин
Adding a Regularizer to our Model, and Evaluating the Regularized Model8мин
Evaluating Classifiers for Ranking4мин
4 практических упражнения
Review: Setting Up a Codebase2мин
Review: Regularization5мин
Review: Evaluating a Model5мин
Codebases, Regularization, and Evaluating a Model45мин
1 ч. на завершение
Week 3: Validation and Pipelines
This week, we will learn about validation and how to implement it in tandem with training and testing. We will also cover how to implement a regularization pipeline in Python and introduce a few guidelines for best practices.
1 ч. на завершение
4 видео ((всего 24 мин.))
4 видео
Validation5мин
“Theorems” About Training, Testing, and Validation8мин
Implementing a Regularization Pipeline in Python5мин
Guidelines on the Implementation of Predictive Pipelines5мин
3 практических упражнения
Review: Validation4мин
Review: Predictive Pipelines6мин
Predictive Pipelines20мин
2 ч. на завершение
Final Project
In the final week of this course, you will continue building on the project from the first and second courses of Python Data Products for Predictive Analytics with simple predictive machine learning algorithms. Find a dataset, clean it, and perform basic analyses on the data. Evaluate your model, validate your analyses, and make sure you aren't overfitting the data.
2 ч. на завершение
2 материалов для самостоятельного изучения
2 материала для самостоятельного изучения
Project Description10мин
Where to Find Datasets10мин
Рецензии
Лучшие отзывы о курсе MEANINGFUL PREDICTIVE MODELING
от партнера IS16 нояб. 2019 г.
Excellent content, but presentation is a bit challenging at times.
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?
Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:
- The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
- The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
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?
Когда вы оформите подписку, начнется семидневный бесплатный пробный период, в течение которого подписку можно отменить без штрафа. По истечении этого срока вы не сможете вернуть средства, но сможете отменить подписку в любой момент. Ознакомьтесь с нашей политикой возврата средств.
Можно ли получить финансовую помощь?
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.
