Starting from a history of machine learning, we discuss why neural networks today perform so well in a variety of data science problems. We then discuss how to set up a supervised learning problem and find a good solution using gradient descent. This involves creating datasets that permit generalization; we talk about methods of doing so in a repeatable way that supports experimentation. Course Objectives: Identify why deep learning is currently popular Optimize and evaluate models using loss functions and performance metrics Mitigate common problems that arise in machine learning Create repeatable and scalable training, evaluation, and test datasets
Ce cours fait partie de la Spécialisation Machine Learning with TensorFlow on Google Cloud Platform
Launching into Machine Learning
Offert par
À propos de ce cours
23,375 consultations récentes
Learner Career Outcomes
43%
ont commencé une nouvelle carrière après avoir terminé ce cours
44%
ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours
29%
a obtenu une augmentation de salaire ou une promotion
Compétences que vous acquerrez
TensorflowBigqueryMachine LearningData Cleansing
Learner Career Outcomes
43%
ont commencé une nouvelle carrière après avoir terminé ce cours
44%
ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours
29%
a obtenu une augmentation de salaire ou une promotion
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Cours 2 sur 5 dans le
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 7 heures pour terminer
Recommandé : 5 - 7 hours per week
Anglais
Sous-titres : Français, Portugais (brésilien), Allemand, Anglais, Espagnol, Japonais
Offert par
Google Cloud
We help millions of organizations empower their employees, serve their customers, and build what’s next for their businesses with innovative technology created in—and for—the cloud. Our products are engineered for security, reliability, and scalability, running the full stack from infrastructure to applications to devices and hardware. Our teams are dedicated to helping customers apply our technologies to create success.
Programme du cours : ce que vous apprendrez dans ce cours
9 minutes pour terminer
Introduction
In this course you’ll get foundational ML knowledge so that you understand the terminology that we use throughout the specialization. You will also learn practical tips and pitfalls from ML practitioners here at Google and walk away with the code and the knowledge to bootstrap your own ML models.
9 minutes pour terminer
2 vidéos (Total 9 min)
1 heure pour terminer
Practical ML
In this module, we will introduce some of the main types of machine learning and review the history of ML leading up to the state of the art so that you can accelerate your growth as an ML practitioner.
1 heure pour terminer
10 vidéos (Total 62 min)
10 vidéos
Introduction1 min
Supervised Learning5 min
Regression and Classification11 min
Short History of ML: Linear Regression7 min
Short History of ML: Perceptron5 min
Short History of ML: Neural Networks7 min
Short History of ML: Decision Trees5 min
Short History of ML: Kernel Methods4 min
Short History of ML: Random Forests4 min
Short History of ML: Modern Neural Networks8 min
1 exercice pour s'entraîner
Module Quiz6 min
1 heure pour terminer
Optimization
In this module we will walk you through how to optimize your ML models.
1 heure pour terminer
13 vidéos (Total 60 min)
13 vidéos
Introduction42s
Defining ML Models4 min
Introducing the Natality Dataset6 min
Introducing Loss Functions6 min
Gradient Descent5 min
Troubleshooting a Loss Curve2 min
ML Model Pitfalls6 min
Lab: Introducing the TensorFlow Playground6 min
Lab: TensorFlow Playground - Advanced3 min
Lab: Practicing with Neural Networks6 min
Loss Curve Troubleshooting1 min
Performance Metrics3 min
Confusion Matrix5 min
1 exercice pour s'entraîner
Module Quiz6 min
3 heures pour terminer
Generalization and Sampling
Now it’s time to answer a rather weird question: when is the most accurate ML model not the right one to pick? As we hinted at in the last module on Optimization -- simply because a model has a loss metric of 0 for your training dataset does not mean it will perform well on new data in the real world.
3 heures pour terminer
9 vidéos (Total 64 min)
9 vidéos
Introduction1 min
Generalization and ML Models6 min
When to Stop Model Training5 min
Creating Repeatable Samples in BigQuery6 min
Demo: Splitting Datasets in BigQuery8 min
Lab Introduction1 min
Lab Solution Walkthrough9 min
Lab Introduction2 min
Lab Solution Walkthrough23 min
1 exercice pour s'entraîner
Module Quiz12 min
3 minutes pour terminer
Summary
3 minutes pour terminer
1 vidéo (Total 3 min)
1 vidéo
Module Summary2 min
4.6
368 avisMeilleurs avis pour Launching into Machine Learning
This is an awesome module. It will open up so much inside story of ML process which is core of the topic with such a simplicity. It greatly increases my interest into this topic and this course :)
Good course, covering all the basics about machine learning and most importantly, everything that surrounds an ml project and you need to take into account to make your ml project successful.
À propos du Spécialisation Machine Learning with TensorFlow on Google Cloud Platform
What is machine learning, and what kinds of problems can it solve? What are the five phases of converting a candidate use case to be driven by machine learning, and why is it important that the phases not be skipped? Why are neural networks so popular now? How can you set up a supervised learning problem and find a good, generalizable solution using gradient descent and a thoughtful way of creating datasets? Learn how to write distributed machine learning models that scale in Tensorflow, scale out the training of those models. and offer high-performance predictions. Convert raw data to features in a way that allows ML to learn important characteristics from the data and bring human insight to bear on the problem. Finally, learn how to incorporate the right mix of parameters that yields accurate, generalized models and knowledge of the theory to solve specific types of ML problems. You will experiment with end-to-end ML, starting from building an ML-focused strategy and progressing into model training, optimization, and productionalization with hands-on labs using Google Cloud Platform.
> By enrolling in this specialization you agree to the Qwiklabs Terms of Service as set out in the FAQ and located at: https://qwiklabs.com/terms_of_service <
Foire Aux Questions
Qu'est-ce que Coursera Plus et sa politique de remboursement ?
Puis-je prévisualiser un cours avant de m'inscrire ?
Oui, vous pouvez prévisualiser la première vidéo et consulter le programme du cours avant de vous inscrire. Vous devez acheter le cours pour accéder au contenu non inclus dans la prévisualisation.
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Si vous décidez de vous inscrire au cours avant la date de début de session, vous aurez accès à toutes les vidéos et lectures du cours. Vous pourrez soumettre des devoirs à partir du début de la session.
À quoi ai-je droit si je m'inscris ?
Une fois que vous êtes inscrit(e) et que votre session commence, vous avez accès à toutes les vidéos et aux autres ressources, y compris les éléments à lire et le forum de discussion du cours. Vous pouvez afficher et soumettre des devoirs pour vous exercer, et terminer les devoirs notés requis pour obtenir une note et un Certificat de Cours.
Quand recevrai-je mon Certificat de Cours ?
Si vous réussissez le cours, votre Certificat de Cours électronique sera ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat de Cours ou l'ajouter à votre profil LinkedIn.
Pourquoi ne puis-je pas assister à ce cours en auditeur libre ?
Ce cours fait partie du nombre restreint de cours proposés par Coursera actuellement disponibles uniquement aux étudiants ayant payé les frais du cours ou bénéficié de l'Aide Financière, lorsqu'elle est disponible.
Quelle est la politique de remboursement ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.