Об этом курсе

Недавно просмотрено: 276,605

Карьерные результаты учащихся

44%

начал новую карьеру, пройдя эти курсы

43%

получил значимые преимущества в карьере благодаря этому курсу

18%

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.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Прибл. 18 часов на выполнение
Английский
Субтитры: Английский, Корейский, Арабский

Приобретаемые навыки

Linear RegressionRidge RegressionLasso (Statistics)Regression Analysis

Карьерные результаты учащихся

44%

начал новую карьеру, пройдя эти курсы

43%

получил значимые преимущества в карьере благодаря этому курсу

18%

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.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Прибл. 18 часов на выполнение
Английский
Субтитры: Английский, Корейский, Арабский

от партнера

Логотип Вашингтонский университет

Вашингтонский университет

Программа курса: что вы изучите

Оценка контентаThumbs Up94%(17,678 оценки)Info
Неделя
1

Неделя 1

1 ч. на завершение

Welcome

1 ч. на завершение
5 видео ((всего 20 мин.)), 3 материалов для самостоятельного изучения
5 видео
Welcome!1мин
What is the course about?3мин
Outlining the first half of the course5мин
Outlining the second half of the course5мин
Assumed background4мин
3 материала для самостоятельного изучения
Important Update regarding the Machine Learning Specialization10мин
Slides presented in this module10мин
Reading: Software tools you'll need10мин
3 ч. на завершение

Simple Linear Regression

3 ч. на завершение
25 видео ((всего 122 мин.)), 5 материалов для самостоятельного изучения, 2 тестов
25 видео
Regression fundamentals: data & model8мин
Regression fundamentals: the task2мин
Regression ML block diagram4мин
The simple linear regression model2мин
The cost of using a given line6мин
Using the fitted line6мин
Interpreting the fitted line6мин
Defining our least squares optimization objective3мин
Finding maxima or minima analytically7мин
Maximizing a 1d function: a worked example2мин
Finding the max via hill climbing6мин
Finding the min via hill descent3мин
Choosing stepsize and convergence criteria6мин
Gradients: derivatives in multiple dimensions5мин
Gradient descent: multidimensional hill descent6мин
Computing the gradient of RSS7мин
Approach 1: closed-form solution5мин
Approach 2: gradient descent7мин
Comparing the approaches1мин
Influence of high leverage points: exploring the data4мин
Influence of high leverage points: removing Center City7мин
Influence of high leverage points: removing high-end towns3мин
Asymmetric cost functions3мин
A brief recap1мин
5 материалов для самостоятельного изучения
Slides presented in this module10мин
Optional reading: worked-out example for closed-form solution10мин
Optional reading: worked-out example for gradient descent10мин
Download notebooks to follow along10мин
Fitting a simple linear regression model on housing data10мин
2 практических упражнения
Simple Linear Regression14мин
Fitting a simple linear regression model on housing data8мин
Неделя
2

Неделя 2

3 ч. на завершение

Multiple Regression

3 ч. на завершение
19 видео ((всего 87 мин.)), 5 материалов для самостоятельного изучения, 3 тестов
19 видео
Polynomial regression3мин
Modeling seasonality8мин
Where we see seasonality3мин
Regression with general features of 1 input2мин
Motivating the use of multiple inputs4мин
Defining notation3мин
Regression with features of multiple inputs3мин
Interpreting the multiple regression fit7мин
Rewriting the single observation model in vector notation6мин
Rewriting the model for all observations in matrix notation4мин
Computing the cost of a D-dimensional curve9мин
Computing the gradient of RSS3мин
Approach 1: closed-form solution3мин
Discussing the closed-form solution4мин
Approach 2: gradient descent2мин
Feature-by-feature update9мин
Algorithmic summary of gradient descent approach4мин
A brief recap1мин
5 материалов для самостоятельного изучения
Slides presented in this module10мин
Optional reading: review of matrix algebra10мин
Exploring different multiple regression models for house price prediction10мин
Numpy tutorial10мин
Implementing gradient descent for multiple regression10мин
3 практических упражнения
Multiple Regression18мин
Exploring different multiple regression models for house price prediction16мин
Implementing gradient descent for multiple regression10мин
Неделя
3

Неделя 3

2 ч. на завершение

Assessing Performance

2 ч. на завершение
14 видео ((всего 93 мин.)), 2 материалов для самостоятельного изучения, 2 тестов
14 видео
What do we mean by "loss"?4мин
Training error: assessing loss on the training set7мин
Generalization error: what we really want8мин
Test error: what we can actually compute4мин
Defining overfitting2мин
Training/test split1мин
Irreducible error and bias6мин
Variance and the bias-variance tradeoff6мин
Error vs. amount of data6мин
Formally defining the 3 sources of error14мин
Formally deriving why 3 sources of error20мин
Training/validation/test split for model selection, fitting, and assessment7мин
A brief recap1мин
2 материала для самостоятельного изучения
Slides presented in this module10мин
Polynomial Regression10мин
2 практических упражнения
Assessing Performance26мин
Exploring the bias-variance tradeoff8мин
Неделя
4

Неделя 4

3 ч. на завершение

Ridge Regression

3 ч. на завершение
16 видео ((всего 85 мин.)), 5 материалов для самостоятельного изучения, 3 тестов
16 видео
Overfitting demo7мин
Overfitting for more general multiple regression models3мин
Balancing fit and magnitude of coefficients7мин
The resulting ridge objective and its extreme solutions5мин
How ridge regression balances bias and variance1мин
Ridge regression demo9мин
The ridge coefficient path4мин
Computing the gradient of the ridge objective5мин
Approach 1: closed-form solution6мин
Discussing the closed-form solution5мин
Approach 2: gradient descent9мин
Selecting tuning parameters via cross validation3мин
K-fold cross validation5мин
How to handle the intercept6мин
A brief recap1мин
5 материалов для самостоятельного изучения
Slides presented in this module10мин
Download the notebook and follow along10мин
Download the notebook and follow along10мин
Observing effects of L2 penalty in polynomial regression10мин
Implementing ridge regression via gradient descent10мин
3 практических упражнения
Ridge Regression18мин
Observing effects of L2 penalty in polynomial regression14мин
Implementing ridge regression via gradient descent16мин

Рецензии

Лучшие отзывы о курсе MACHINE LEARNING: REGRESSION

Посмотреть все отзывы

Специализация Машинное обучение: общие сведения

This Specialization from leading researchers at the University of Washington introduces you to the exciting, high-demand field of Machine Learning. Through a series of practical case studies, you will gain applied experience in major areas of Machine Learning including Prediction, Classification, Clustering, and Information Retrieval. You will learn to analyze large and complex datasets, create systems that adapt and improve over time, and build intelligent applications that can make predictions from data....
Машинное обучение

Часто задаваемые вопросы

  • 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.

  • When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile. If you only want to read and view the course content, you can audit the course for free.

  • If you subscribed, you get a 7-day free trial during which you can cancel at no penalty. After that, we don’t give refunds, but you can cancel your subscription at any time. See our full refund policy.

  • Yes, Coursera provides financial aid to learners who cannot afford the fee. Apply for it by clicking on the Financial Aid link beneath the "Enroll" button on the left. You'll be prompted to complete an application and will be notified if you are approved. You'll need to complete this step for each course in the Specialization, including the Capstone Project. Learn more.

Остались вопросы? Посетите Центр поддержки учащихся.