One of the most common tasks performed by data scientists and data analysts are prediction and machine learning. This course will cover the basic components of building and applying prediction functions with an emphasis on practical applications. The course will provide basic grounding in concepts such as training and tests sets, overfitting, and error rates. The course will also introduce a range of model based and algorithmic machine learning methods including regression, classification trees, Naive Bayes, and random forests. The course will cover the complete process of building prediction functions including data collection, feature creation, algorithms, and evaluation.
Этот курс входит в специализацию ''Специализация Data Science'
Practical Machine Learning
от партнера
Об этом курсе
4.5
Оценки: 2,223
Чему вы научитесь
Describe machine learning methods such as regression or classification trees
Explain the complete process of building prediction functions
Understand concepts such as training and tests sets, overfitting, and error rates
Use the basic components of building and applying prediction functions
Приобретаемые навыки
Random ForestMachine Learning (ML) AlgorithmsMachine LearningR Programming
Программа курса: что вы изучите
Неделя
1Week 1: Prediction, Errors, and Cross Validation
This week will cover prediction, relative importance of steps, errors, and cross validation.
9 видео ((всего 73 мин.)), 3 материалов для самостоятельного изучения, 1 тест
9 видео
What is prediction?8мин
Relative importance of steps9мин
In and out of sample errors6мин
Prediction study design9мин
Types of errors10мин
Receiver Operating Characteristic5мин
Cross validation8мин
What data should you use?6мин
3 материала для самостоятельного изучения
Welcome to Practical Machine Learning10мин
Syllabus10мин
Pre-Course Survey10мин
1 практическое упражнение
Quiz 110мин
Неделя
2Week 2: The Caret Package
This week will introduce the caret package, tools for creating features and preprocessing.
9 видео ((всего 96 мин.)), 1 тест
9 видео
Caret package6мин
Data slicing5мин
Training options7мин
Plotting predictors10мин
Basic preprocessing10мин
Covariate creation17мин
Preprocessing with principal components analysis14мин
Predicting with Regression12мин
Predicting with Regression Multiple Covariates11мин
1 практическое упражнение
Quiz 210мин
Неделя
3Week 3: Predicting with trees, Random Forests, & Model Based Predictions
This week we introduce a number of machine learning algorithms you can use to complete your course project.
5 видео ((всего 48 мин.)), 1 тест
5 видео
Bagging9мин
Random Forests6мин
Boosting7мин
Model Based Prediction11мин
1 практическое упражнение
Quiz 310мин
Неделя
4Week 4: Regularized Regression and Combining Predictors
This week, we will cover regularized regression and combining predictors.
4 видео ((всего 33 мин.)), 2 материалов для самостоятельного изучения, 3 тестов
4 видео
Combining predictors7мин
Forecasting7мин
Unsupervised Prediction4мин
2 материала для самостоятельного изучения
Course Project Instructions (READ FIRST)10мин
Post-Course Survey10мин
2 практического упражнения
Quiz 410мин
Course Project Prediction Quiz40мин
34%
начал новую карьеру, пройдя эти курсы
33%
получил значимые преимущества в карьере благодаря этому курсу
14%
стал больше зарабатывать или получил повышение
Лучшие рецензии
автор: AD•Mar 1st 2017
Issues of every stage of the construction of learning machine model, as well as issues with several different machine learning methods are well and in fine yet very understandable detail explained.
автор: AS•Aug 31st 2017
Highly recommend this course. It makes you read a lot, do lot's of practical exercises. The final project is a must do. After finishing this course you can start playing with kaggle data sets.
Преподавателя
Jeff Leek, PhD
Associate Professor, BiostatisticsBloomberg School of Public Health
Roger D. Peng, PhD
Associate Professor, BiostatisticsBloomberg School of Public Health
Brian Caffo, PhD
Professor, BiostatisticsBloomberg School of Public Health
О Johns Hopkins University
The mission of The Johns Hopkins University is to educate its students and cultivate their capacity for life-long learning, to foster independent and original research, and to bring the benefits of discovery to the world.
О специализации ''Data Science'
Ask the right questions, manipulate data sets, and create visualizations to communicate results.
This Specialization covers the concepts and tools you'll need throughout the entire data science pipeline, from asking the right kinds of questions to making inferences and publishing results. In the final Capstone Project, you’ll apply the skills learned by building a data product using real-world data. At completion, students will have a portfolio demonstrating their mastery of the material.
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.
Coursera делает лучшее в мире образование доступным каждому, предлагая онлайн-курсы от ведущих университетов и организаций.
© Coursera Inc., 2018 Все права защищены.
