Об этом курсе
4.6
Оценки: 2,718
Рецензии: 514
Специализация
100% онлайн

100% онлайн

Начните сейчас и учитесь по собственному графику.
Гибкие сроки

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень

Промежуточный уровень

Часов на завершение

Прибл. 24 часа на выполнение

Предполагаемая нагрузка: 8 hours/week...
Доступные языки

Английский

Субтитры: Английский, Корейский

Чему вы научитесь

  • Check

    Build features that meet analysis needs

  • Check

    Create and evaluate data clusters

  • Check

    Describe how machine learning is different than descriptive statistics

  • Check

    Explain different approaches for creating predictive models

Приобретаемые навыки

Python ProgrammingMachine Learning (ML) AlgorithmsMachine LearningScikit-Learn
Специализация
100% онлайн

100% онлайн

Начните сейчас и учитесь по собственному графику.
Гибкие сроки

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень

Промежуточный уровень

Часов на завершение

Прибл. 24 часа на выполнение

Предполагаемая нагрузка: 8 hours/week...
Доступные языки

Английский

Субтитры: Английский, Корейский

Программа курса: что вы изучите

Неделя
1
Часов на завершение
8 ч. на завершение

Module 1: Fundamentals of Machine Learning - Intro to SciKit Learn

This module introduces basic machine learning concepts, tasks, and workflow using an example classification problem based on the K-nearest neighbors method, and implemented using the scikit-learn library....
Reading
6 видео ((всего 71 мин.)), 4 материалов для самостоятельного изучения, 2 тестов
Video6 видео
Introduction11мин
Key Concepts in Machine Learning13мин
Python Tools for Machine Learning4мин
An Example Machine Learning Problem12мин
Examining the Data9мин
K-Nearest Neighbors Classification20мин
Reading4 материала для самостоятельного изучения
Course Syllabus10мин
Help us learn more about you!10мин
Notice for Auditing Learners: Assignment Submission10мин
Zachary Lipton: The Foundations of Algorithmic Bias (optional)30мин
Quiz1 практическое упражнение
Module 1 Quiz20мин
Неделя
2
Часов на завершение
9 ч. на завершение

Module 2: Supervised Machine Learning - Part 1

This module delves into a wider variety of supervised learning methods for both classification and regression, learning about the connection between model complexity and generalization performance, the importance of proper feature scaling, and how to control model complexity by applying techniques like regularization to avoid overfitting. In addition to k-nearest neighbors, this week covers linear regression (least-squares, ridge, lasso, and polynomial regression), logistic regression, support vector machines, the use of cross-validation for model evaluation, and decision trees. ...
Reading
12 видео ((всего 166 мин.)), 2 материалов для самостоятельного изучения, 2 тестов
Video12 видео
Overfitting and Underfitting12мин
Supervised Learning: Datasets4мин
K-Nearest Neighbors: Classification and Regression13мин
Linear Regression: Least-Squares17мин
Linear Regression: Ridge, Lasso, and Polynomial Regression19мин
Logistic Regression12мин
Linear Classifiers: Support Vector Machines13мин
Multi-Class Classification6мин
Kernelized Support Vector Machines18мин
Cross-Validation9мин
Decision Trees19мин
Reading2 материала для самостоятельного изучения
A Few Useful Things to Know about Machine Learning10мин
Ed Yong: Genetic Test for Autism Refuted (optional)10мин
Quiz1 практическое упражнение
Module 2 Quiz22мин
Неделя
3
Часов на завершение
7 ч. на завершение

Module 3: Evaluation

This module covers evaluation and model selection methods that you can use to help understand and optimize the performance of your machine learning models. ...
Reading
7 видео ((всего 81 мин.)), 1 материал для самостоятельного изучения, 2 тестов
Video7 видео
Confusion Matrices & Basic Evaluation Metrics12мин
Classifier Decision Functions7мин
Precision-recall and ROC curves6мин
Multi-Class Evaluation13мин
Regression Evaluation6мин
Model Selection: Optimizing Classifiers for Different Evaluation Metrics13мин
Reading1 материал для самостоятельного изучения
Practical Guide to Controlled Experiments on the Web (optional)10мин
Quiz1 практическое упражнение
Module 3 Quiz28мин
Неделя
4
Часов на завершение
10 ч. на завершение

Module 4: Supervised Machine Learning - Part 2

This module covers more advanced supervised learning methods that include ensembles of trees (random forests, gradient boosted trees), and neural networks (with an optional summary on deep learning). You will also learn about the critical problem of data leakage in machine learning and how to detect and avoid it....
Reading
10 видео ((всего 94 мин.)), 11 материалов для самостоятельного изучения, 2 тестов
Video10 видео
Random Forests11мин
Gradient Boosted Decision Trees5мин
Neural Networks19мин
Deep Learning (Optional)7мин
Data Leakage11мин
Introduction4мин
Dimensionality Reduction and Manifold Learning9мин
Clustering14мин
Conclusion2мин
Reading11 материала для самостоятельного изучения
Neural Networks Made Easy (optional)10мин
Play with Neural Networks: TensorFlow Playground (optional)10мин
Deep Learning in a Nutshell: Core Concepts (optional)10мин
Assisting Pathologists in Detecting Cancer with Deep Learning (optional)10мин
The Treachery of Leakage (optional)10мин
Leakage in Data Mining: Formulation, Detection, and Avoidance (optional)10мин
Data Leakage Example: The ICML 2013 Whale Challenge (optional)10мин
Rules of Machine Learning: Best Practices for ML Engineering (optional)10мин
How to Use t-SNE Effectively10мин
How Machines Make Sense of Big Data: an Introduction to Clustering Algorithms10мин
Post-course Survey10мин
Quiz1 практическое упражнение
Module 4 Quiz20мин
4.6
Рецензии: 514Chevron Right
Формирование карьерного пути

41%

начал новую карьеру, пройдя эти курсы
Карьерные преимущества

39%

получил значимые преимущества в карьере благодаря этому курсу
Продвижение по карьерной лестнице

11%

стал больше зарабатывать или получил повышение

Лучшие рецензии

автор: FLOct 14th 2017

Very well structured course, and very interesting too! Has made me want to pursue a career in machine learning. I originally just wanted to learn to program, without true goal, now I have one thanks!!

автор: PSApr 3rd 2018

Extremely useful course! You really get a lot of value from it and exactly what you would expect from such course! Very entertaining and a lot of additional educational materials! Thank You a lot!

Преподаватель

Avatar

Kevyn Collins-Thompson

Associate Professor
School of Information

О University of Michigan

The mission of the University of Michigan is to serve the people of Michigan and the world through preeminence in creating, communicating, preserving and applying knowledge, art, and academic values, and in developing leaders and citizens who will challenge the present and enrich the future....

О специализации ''Applied Data Science with Python'

The 5 courses in this University of Michigan specialization introduce learners to data science through the python programming language. This skills-based specialization is intended for learners who have a basic python or programming background, and want to apply statistical, machine learning, information visualization, text analysis, and social network analysis techniques through popular python toolkits such as pandas, matplotlib, scikit-learn, nltk, and networkx to gain insight into their data. Introduction to Data Science in Python (course 1), Applied Plotting, Charting & Data Representation in Python (course 2), and Applied Machine Learning in Python (course 3) should be taken in order and prior to any other course in the specialization. After completing those, courses 4 and 5 can be taken in any order. All 5 are required to earn a certificate....
Applied Data Science with Python

Часто задаваемые вопросы

  • 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.

  • 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.

Остались вопросы? Посетите Центр поддержки учащихся.