This is the second course in the four-course specialization Python Data Products for Predictive Analytics, building on the data processing covered in Course 1 and introducing the basics of designing predictive models in Python. In this course, you will understand the fundamental concepts of statistical learning and learn various methods of building predictive models. At each step in the specialization, you will gain hands-on experience in data manipulation and building your skills, eventually culminating in a capstone project encompassing all the concepts taught in the specialization.
Ce cours fait partie de la Spécialisation Python Data Products for Predictive Analytics
Design Thinking and Predictive Analytics for Data Products
proposé par
Programme du cours : ce que vous apprendrez dans ce cours
Semaine
12 heures pour terminer
Week 1: Supervised Learning & Regression
Welcome to the second course in this specialization! This week, we will go over the syllabus, download all course materials, and get your system up and running for the course. We will also introduce the basics of supervised learning and regression.
5 vidéos (Total 46 min), 4 lectures, 3 quiz
5 vidéos
Supervised Learning: Regression9 min
Regression in Python10 min
Time-Series Regression8 min
Autoregression6 min
4 lectures
Syllabus10 min
Course Materials10 min
Set Up Your System10 min
Recap: Mathematical Notation10 min
3 exercices pour s'entraîner
Review: Supervised Learning4 min
Review: Regression4 min
Supervised Learning & Regression10 min
Semaine
21 heure pour terminer
Week 2: Features
This week, we will learn what features are in a dataset and how we can work with them through cleaning, manipulation, and analysis in Jupyter notebooks.
4 vidéos (Total 29 min), 3 quiz
4 vidéos
Features from Temporal Data8 min
Feature Transformations4 min
Missing Values7 min
3 exercices pour s'entraîner
Review: Getting Features
Review: Working with Features
Features10 min
Semaine
31 heure pour terminer
Week 3: Classification
This week, we will learn about classification and several ways you can implement it, such as K-nearest neighbors, logistic regression, and support vector machines.
4 vidéos (Total 31 min), 3 quiz
4 vidéos
Classification: Nearest Neighbors4 min
Classification: Logistic Regression10 min
Introduction to Support Vector Machines10 min
3 exercices pour s'entraîner
Review: Classification and K-Nearest Neighbors6 min
Review: Logistic Regression and Support Vector Machines5 min
Classification10 min
Semaine
41 heure pour terminer
Week 4: Gradient Descent
This week, we will learn the importance of properly training and testing a model. We will also implement gradient descent in both Python and TensorFlow.
5 vidéos (Total 36 min), 3 quiz
5 vidéos
Introduction to Training and Testing6 min
Gradient Descent in Python8 min
Gradient Descent in TensorFlow6 min
Livecoding: Tensorflow7 min
3 exercices pour s'entraîner
Review: Classification and Training4 min
Review: Gradient Descent4 min
More on Classification15 min
Enseignants
Julian McAuley
Assistant ProfessorComputer Science
Ilkay Altintas
Chief Data Science OfficerSan Diego Supercomputer Center
À propos de Université de Californie à San Diego
UC San Diego is an academic powerhouse and economic engine, recognized as one of the top 10 public universities by U.S. News and World Report. Innovation is central to who we are and what we do. Here, students learn that knowledge isn't just acquired in the classroom—life is their laboratory.
À propos du Spécialisation Python Data Products for Predictive Analytics
Python data products are powering the AI revolution. Top companies like Google, Facebook, and Netflix use predictive analytics to improve the products and services we use every day. Take your Python skills to the next level and learn to make accurate predictions with data-driven systems and deploy machine learning models with this four-course Specialization from UC San Diego.
This Specialization is for learners who are proficient with the basics of Python. You’ll start by creating your first data strategy. You’ll also develop statistical models, devise data-driven workflows, and learn to make meaningful predictions for a wide-range of business and research purposes. Finally, you’ll use design thinking methodology and data science techniques to extract insights from a wide range of data sources. This is your chance to master one of the technology industry’s most in-demand skills.
Python Data Products for Predictive Analytics is taught by Professor Ilkay Altintas, Ph.D. and Julian McAuley. Dr. Alintas is a prominent figure in the data science community and the designer of the highly-popular Big Data Specialization on Coursera. She has helped educate hundreds of thousands of learners on how to unlock value from massive datasets.
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 je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors 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.
