This course will introduce the learner to applied machine learning, focusing more on the techniques and methods than on the statistics behind these methods. The course will start with a discussion of how machine learning is different than descriptive statistics, and introduce the scikit learn toolkit through a tutorial. The issue of dimensionality of data will be discussed, and the task of clustering data, as well as evaluating those clusters, will be tackled. Supervised approaches for creating predictive models will be described, and learners will be able to apply the scikit learn predictive modelling methods while understanding process issues related to data generalizability (e.g. cross validation, overfitting). The course will end with a look at more advanced techniques, such as building ensembles, and practical limitations of predictive models. By the end of this course, students will be able to identify the difference between a supervised (classification) and unsupervised (clustering) technique, identify which technique they need to apply for a particular dataset and need, engineer features to meet that need, and write python code to carry out an analysis.
제공자:
Python과 함께하는 응용 데이터 과학 특화 과정미시건 대학교이 강좌에 대하여
학습자 경력 결과
34%
35%
12%
귀하가 습득할 기술
학습자 경력 결과
34%
35%
12%
제공자:
미시건 대학교
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.
강의 계획 - 이 강좌에서 배울 내용
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.
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.
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.
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.
검토
APPLIED MACHINE LEARNING IN PYTHON의 최상위 리뷰
This course is ideally designed for understanding, which tools you can use to do machine learning tasks in python. However, for deep understanding ML algorithms you should take more math based courses
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!!
The course was really interesting to go through. All the related assignments whether be Quizzes or the Hands-On really test the knowledge. Kudos to the mentor for teaching us in in such a lucid way.
This is an excellent course. The programming exercises can be solved only when you get the basics right. Else, you will need to revisit the course material. Also, the forums are pretty interactive.
Python과 함께하는 응용 데이터 과학 특화 과정 정보
자주 묻는 질문
강의 및 과제를 언제 이용할 수 있게 되나요?
강의 및 과제 이용 권한은 등록 유형에 따라 다릅니다. 청강 모드로 강좌를 수강하면 대부분의 강좌 자료를 무료로 볼 수 있습니다. 채점된 과제를 이용하고 수료증을 받으려면 청강 도중 또는 이후에 수료증 경험을 구매해야 합니다. 청강 옵션이 표시되지 않는 경우:
- 강좌에서 청강 옵션을 제공하지 않을 수 있습니다. 대신 무료 평가판을 사용하거나 재정 지원을 신청할 수 있습니다.
이 전문 분야를 구독하면 무엇을 이용할 수 있나요?
강좌를 등록하면 전문 분야의 모든 강좌에 접근할 수 있고 강좌를 완료하면 수료증을 취득할 수 있습니다. 전자 수료증이 성취도 페이지에 추가되며 해당 페이지에서 수료증을 인쇄하거나 LinkedIn 프로필에 수료증을 추가할 수 있습니다. 강좌 내용만 읽고 살펴보려면 해당 강좌를 무료로 청강할 수 있습니다.
Is financial aid available?
예, Coursera에서는 수업료를 낼 수 없는 학습자를 위해 재정 지원을 제공합니다. 왼쪽에 있는 등록 버튼 아래 재정 지원 링크를 클릭하면 지원할 수 있습니다. 신청서를 작성하라는 메시지가 표시되며 승인되면 알림을 받습니다. 성취 프로젝트를 포함하여 전문 분야의 각 강좌에서 이 단계를 완료해야 합니다. 자세히 알아보기.
강좌를 수료하면 대학 학점을 받을 수 있나요?
이 강좌는 대학 학점을 제공하지 않지만, 일부 대학에서 선택적으로 강좌 수료증을 학점으로 인정할 수도 있습니다. 자세한 내용은 해당 기관에 문의하세요. Coursera의 온라인 학위 및 Mastertrack™ 수료증은 대학 학점을 취득할 기회를 제공합니다.
궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.
