Welcome to Data Analytics Foundations for Accountancy II! I'm excited to have you in the class and look forward to your contributions to the learning community.
To begin, I recommend taking a few minutes to explore the course site. Review the material we’ll cover each week, and preview the assignments you’ll need to complete to pass the course. Click Discussions to see forums where you can discuss the course material with fellow students taking the class.
If you have questions about course content, please post them in the forums to get help from others in the course community. For technical problems with the Coursera platform, visit the Learner Help Center.
Good luck as you get started, and I hope you enjoy the course!
Data Analytics Foundations for Accountancy II
883 déjà inscrits !
proposé par
Université de l'Illinois à Urbana-Champaign
Programme du cours : ce que vous apprendrez dans ce cours
Semaine
11 heure pour terminer
Course Orientation
You will become familiar with the course, your classmates, and our learning environment. The orientation will also help you obtain the technical skills required for the course.
2 vidéos (Total 9 min), 4 lectures, 1 quiz
4 lectures
Syllabus10 min
About the Discussion Forums10 min
Updating Your Profile10 min
Social Media10 min
1 exercice pour s'entraîner
Orientation Quiz10 min
9 heures pour terminer
Module 1: Introduction to Machine Learning
This module provides the basis for the rest of the course by introducing the basic concepts behind machine learning, and, specifically, how to perform machine learning by using Python and the scikit learn machine learning module. First, you will learn how machine learning and artificial intelligence are disrupting businesses. Next, you will learn about the basic types of machine learning and how to leverage these algorithms in a Python script. Third, you will learn how linear regression can be considered a machine learning problem with parameters that must be determined computationally by minimizing a cost function. Finally, you will learn about neighbor-based algorithms, including the k-nearest neighbor algorithm, which can be used for both classification and regression tasks.
4 vidéos (Total 47 min), 3 lectures, 2 quiz
4 vidéos
Introduction to Machine Learning14 min
Introduction to Linear Regression14 min
Introduction to k-nn12 min
3 lectures
Module 1 Overview10 min
Lesson 1-1 Readings10 min
Lesson 1-2 Readings10 min
1 exercice pour s'entraîner
Module 1 Graded Quiz20 min
Semaine
29 heures pour terminer
Module 2: Fundamental Algorithms
This module introduces several of the most important machine learning algorithms: logistic regression, decision trees, and support vector machine. Of these three algorithms, the first, logistic regression, is a classification algorithm (despite its name). The other two, however, can be used for either classification or regression tasks. Thus, this module will dive deeper into the concept of machine classification, where algorithms learn from existing, labeled data to classify new, unseen data into specific categories; and, the concept of machine regression, where algorithms learn a model from data to make predictions for new, unseen data. While these algorithms all differ in their mathematical underpinnings, they are often used for classifying numerical, text, and image data or performing regression in a variety of domains. This module will also review different techniques for quantifying the performance of a classification and regression algorithms and how to deal with imbalanced training data.
5 vidéos (Total 52 min), 4 lectures, 2 quiz
5 vidéos
Introduction to Fundamental Algorithms3 min
Introduction to Logistics Regression14 min
Introduction to Decision Trees15 min
Introduction to Support Vector Machine13 min
4 lectures
Module 2 Overview10 min
Lesson 2-1 Readings10 min
Lesson 2-3 Readings10 min
Lesson 2-4 Readings10 min
1 exercice pour s'entraîner
Module 2 Graded Quiz20 min
Semaine
38 heures pour terminer
Module 3: Practical Concepts in Machine Learning
This module introduces several important and practical concepts in machine learning. First, you will learn about the challenges inherent in applying data analytics (and machine learning in particular) to real world data sets. This also introduces several methodologies that you may encounter in the future that dictate how to approach, tackle, and deploy data analytic solutions. Next, you will learn about a powerful technique to combine the predictions from many weak learners to make a better prediction via a process known as ensemble learning. Specifically, this module will introduce two of the most popular ensemble learning techniques: bagging and boosting and demonstrate how to employ them in a Python data analytics script. Finally, the concept of a machine learning pipeline is introduced, which encapsulates the process of creating, deploying, and reusing machine learning models.
5 vidéos (Total 40 min), 3 lectures, 2 quiz
5 vidéos
Introduction to Modeling Success6 min
Introduction to Bagging11 min
Introduction to Boosting9 min
Introduction to ML Pipelines8 min
3 lectures
Module 3 Overview10 min
Lesson 3-1 Readings10 min
Lesson 3-2 Readings10 min
1 exercice pour s'entraîner
Module 3 Graded Quiz20 min
Semaine
49 heures pour terminer
Module 4: Overfitting & Regularization
This module introduces the concept of regularization, problems it can cause in machine learning analyses, and techniques to overcome it. First, the basic concept of overfitting is presented along with ways to identify its occurrence. Next, the technique of cross-validation is introduced, which can mitigate the likelihood that overfitting can occur. Next, the use of cross-validation to identify the optimal parameters for a machine learning algorithm trained on a given data set is presented. Finally, the concept of regularization, where an additional penalty term is applied when determining the best machine learning model parameters, is introduced and demonstrated for different regression and classification algorithms.
5 vidéos (Total 48 min), 4 lectures, 2 quiz
5 vidéos
Introduction to Overfitting4 min
Introduction to Cross-Validation13 min
Introduction to Model-Selection16 min
Introduction to Regularization8 min
4 lectures
Module 4 Overview10 min
Lesson 4-1 Readings10 min
Lesson 4-2 Readings10 min
Lesson 4-3 Readings10 min
1 exercice pour s'entraîner
Module 4 Graded Quiz20 min
Enseignant
Robert Brunner
ProfessorAccountancy
Prenez une longueur d'avance pour votre diplôme
Ce cours fait partie du diplôme intégralement en ligne Master of Science in Accountancy (iMSA) de Université de l'Illinois à Urbana-Champaign.
Commencer un cours ouvert ou une spécialisation aujourd'hui pour suivre des cours proposés par iMBA et terminer vos devoirs à votre rythme.
Dès que vous terminez un cours, vous recevez un Certificat que vous pourrez ajouter à votre profil Linkedin et à votre CV.
Si vous postulez et êtes admis au programme complet, vos cours sont pris en compte dans votre apprentissage diplômant.
À propos de Université de l'Illinois à Urbana-Champaign
The University of Illinois at Urbana-Champaign is a world leader in research, teaching and public engagement, distinguished by the breadth of its programs, broad academic excellence, and internationally renowned faculty and alumni. Illinois serves the world by creating knowledge, preparing students for lives of impact, and finding solutions to critical societal needs.
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Une fois que vous êtes inscrit(e) pour un Certificat, vous pouvez accéder à toutes les vidéos de cours, et à tous les quiz et exercices de programmation (le cas échéant). Vous pouvez soumettre des devoirs à examiner par vos pairs et en examiner vous-même uniquement après le début de votre session. Si vous préférez explorer le cours sans l'acheter, vous ne serez peut-être pas en mesure d'accéder à certains devoirs.
À quoi ai-je droit si j'achète le Certificat ?
Lorsque vous achetez un Certificat, vous bénéficiez d'un accès à tout le contenu du cours, y compris les devoirs notés. Lorsque vous avez terminé et réussi le cours, votre Certificat électronique est ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Quelle est la politique de remboursement ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
Coursera propose un accès universel à la meilleure formation au monde,
en partenariat avec des universités et des organisations du plus haut niveau, pour proposer des cours en ligne.
© 2019 Coursera Inc. Tous droits réservés.
