This course takes you from understanding the fundamentals of a machine learning project. Learners will understand and implement supervised learning techniques on real case studies to analyze business case scenarios where decision trees, k-nearest neighbours and support vector machines are optimally used. Learners will also gain skills to contrast the practical consequences of different data preparation steps and describe common production issues in applied ML.
Offert par
Spécialisation Machine Learning: Algorithms in the Real WorldAlberta Machine Intelligence InstituteÀ propos de ce cours
31,940 consultations récentes
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Cours 2 sur 4 dans le
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Approx. 9 heures pour terminer
Anglais
Sous-titres : Anglais
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Cours 2 sur 4 dans le
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Approx. 9 heures pour terminer
Anglais
Sous-titres : Anglais
Offert par
Alberta Machine Intelligence Institute
The Alberta Machine Intelligence Institute (Amii) is home to some of the world’s top talent in machine intelligence. We’re an Alberta-based
Programme du cours : ce que vous apprendrez dans ce cours
4 heures pour terminer
Classification using Decision Trees and k-NN
Welcome to Supervised Learning, Tip to Tail! This week we'll go over the basics of supervised learning, particularly classification, as well as teach you about two classification algorithms: decision trees and k-NN. You'll get started programming on the platform through Jupyter notebooks and start to familiarize yourself with all the issues that arise when using machine learning for classification.
4 heures pour terminer
8 vidéos (Total 46 min), 4 lectures, 2 quiz
8 vidéos
What does a classifier actually do?5 min
Classification in scikit-learn3 min
What are decision trees?6 min
Generalization and overfitting8 min
Classification using k-nearest neighbours8 min
Distance measures8 min
Weekly summary2 min
4 lectures
Math Review10 min
Scikitlearn documentation for decision trees (Optional)10 min
Scikitlearn documentation for random forests (Optional)10 min
Scikitlearn documentation for k-nearest neighbours (Optional)10 min
2 exercices pour s'entraîner
Supervised Learning Basics
Understanding Classification with Decision Trees and k-NN20 min
2 heures pour terminer
Functions for Fun and Profit
Welcome to the second week of the course! In this week you'll learn all about regression algorithms, the other side of supervised learning. We'll introduce you to the idea of finding lines, optimization criteria, and all the associated issues. Through regression we'll see the interactions between model complexity and accuracy, and you'll get a first taste of how regression and classification might relate.
2 heures pour terminer
9 vidéos (Total 62 min), 1 lecture, 4 quiz
9 vidéos
Line-fitting6 min
Optimal line-fitting8 min
Loss and Convexity7 min
Gradient Descent9 min
Nonlinear features and model complexity6 min
Bias and variance tradeoff6 min
Regularizers5 min
Loss for Classification7 min
Weekly summary4 min
1 lecture
Scikitlearn documentation for linear regression (Optional)10 min
4 exercices pour s'entraîner
Regression Basics
Understanding Model Complexity
From Regression to Classification2 min
The Regression side of Supervised Learning20 min
3 heures pour terminer
Regression for Classification: Support Vector Machines
This week we'll be diving straight in to using regression for classification. We'll describe all the fundamental pieces that make up the support vector machine algorithms, so that you can understand how many seemingly unrelated machine learning algorithms tie together. We'll introduce you to logistic regression, neural networks, and support vector machines, and show you how to implement two of those.
3 heures pour terminer
6 vidéos (Total 34 min), 1 lecture, 2 quiz
6 vidéos
Logistic Regression4 min
Neural Networks9 min
Hinge Loss6 min
Basics of Support Vector Machines6 min
Kernels6 min
Weekly Summary1 min
1 lecture
Scikitlearn documentation for SVMs (Optional)10 min
2 exercices pour s'entraîner
Understanding Support Vector Machines
Regression-based Classification10 min
1 heure pour terminer
Contrasting Models
Now at the tail end of the course, we're going to go over how to know how well your model is actually performing and what you can do to get even better performance from it. We'll review assessment questions particular to regression and classification, and introduce some other tools that really help you analyze your model performance. The topics covered this week aim to give you confidence in your models, so you're ready to unlock the power of machine learning for your business goals.
1 heure pour terminer
8 vidéos (Total 46 min), 1 lecture, 1 quiz
8 vidéos
Classification assessment6 min
Learning Curves6 min
Testing your models7 min
Cross validation5 min
Parameter tuning and grid search5 min
Model Parameters6 min
Weekly Summary1 min
1 lecture
Some resources on model assessment (Optional)10 min
1 exercice pour s'entraîner
Contrasting Models
Avis
Meilleurs avis pour MACHINE LEARNING ALGORITHMS: SUPERVISED LEARNING TIP TO TAIL
par SK11 avr. 2020
Excellent course. In which I had in-depth knowledge of all algorithms and the way she explained attracts to listen except for her spontaneity and speed in progressing.
par DS6 mai 2020
Excellent course for an overview of different ML algorithms. The course is made from a perspective of giving insights in process and not too many mathematical details.
par FF16 avr. 2020
Great course but less in-depth knowledge about each of the hyper parameters and under the hood view of Algorithms.But excellent. Thanks!!!!!!
par SP18 juin 2020
A great short capsule course to get overall bird view on Supervised learning. Much needed one for both practitioners and new beginners.
À propos du Spécialisation Machine Learning: Algorithms in the Real World
This specialization is for professionals who have heard the buzz around machine learning and want to apply machine learning to data analysis and automation. Whether finance, medicine, engineering, business or other domains, this specialization will set you up to define, train, and maintain a successful machine learning application.
After completing all four courses, you will have gone through the entire process of building a machine learning project. You will be able to clearly define a machine learning problem, identify appropriate data, train a classification algorithm, improve your results, and deploy it in the real world. You will also be able to anticipate and mitigate common pitfalls in applied machine learning.
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:
- The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
- The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
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 ?
Si vous vous abonnez, vous bénéficiez d'une période d'essai gratuite de 7 jours, durant laquelle vous pouvez annuler votre abonnement sans pénalité. Ensuite, nous n'accordons plus de remboursements, mais vous pouvez annuler votre abonnement à tout instant. Consultez notre politique de remboursement complète.
Une aide financière est-elle possible ?
Oui, Coursera offre une Aide Financière aux étudiants qui n'ont pas les moyens d'acquitter les frais. Demandez-la en cliquant sur le lien Aide Financière sous le bouton S'inscrire situé à gauche. Vous devrez remplir un formulaire de demande et vous serez averti(e) si elle est acceptée. Vous devrez répéter cette procédure pour chaque cours de la Spécialisation, y compris pour le Projet Final. En savoir plus.
Puis-je obtenir des crédits universitaires si je réussis le Cours ?
Ce Cours n'est pas associé à des crédits universitaires, mais certaines universités peuvent décider d'accepter des Certificats de Cours pour des crédits. Vérifiez-le auprès de votre établissement pour en savoir plus. Les Diplômes en ligne et les Certificats Mastertrack™ sur Coursera apportent la possibilité d'obtenir des crédits universitaires.
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
