À propos de ce cours

264,051 consultations récentes

Résultats de carrière des étudiants

44%

ont commencé une nouvelle carrière après avoir terminé ce cours

43%

ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours

18%

a obtenu une augmentation de salaire ou une promotion
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Approx. 18 heures pour terminer
Anglais
Sous-titres : Anglais, Coréen, Arabe

Compétences que vous acquerrez

Linear RegressionRidge RegressionLasso (Statistics)Regression Analysis

Résultats de carrière des étudiants

44%

ont commencé une nouvelle carrière après avoir terminé ce cours

43%

ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours

18%

a obtenu une augmentation de salaire ou une promotion
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Approx. 18 heures pour terminer
Anglais
Sous-titres : Anglais, Coréen, Arabe

Offert par

Logo Université de Washington

Université de Washington

Programme du cours : ce que vous apprendrez dans ce cours

Évaluation du contenuThumbs Up94%(17,826 notes)Info
Semaine
1

Semaine 1

1 heure pour terminer

Welcome

1 heure pour terminer
5 vidéos (Total 20 min), 3 lectures
5 vidéos
What is the course about?3 min
Outlining the first half of the course5 min
Outlining the second half of the course5 min
Assumed background4 min
3 lectures
Important Update regarding the Machine Learning Specialization10 min
Slides presented in this module10 min
Reading: Software tools you'll need10 min
3 heures pour terminer

Simple Linear Regression

3 heures pour terminer
25 vidéos (Total 122 min), 5 lectures, 2 quiz
25 vidéos
Regression fundamentals: data & model8 min
Regression fundamentals: the task2 min
Regression ML block diagram4 min
The simple linear regression model2 min
The cost of using a given line6 min
Using the fitted line6 min
Interpreting the fitted line6 min
Defining our least squares optimization objective3 min
Finding maxima or minima analytically7 min
Maximizing a 1d function: a worked example2 min
Finding the max via hill climbing6 min
Finding the min via hill descent3 min
Choosing stepsize and convergence criteria6 min
Gradients: derivatives in multiple dimensions5 min
Gradient descent: multidimensional hill descent6 min
Computing the gradient of RSS7 min
Approach 1: closed-form solution5 min
Approach 2: gradient descent7 min
Comparing the approaches1 min
Influence of high leverage points: exploring the data4 min
Influence of high leverage points: removing Center City7 min
Influence of high leverage points: removing high-end towns3 min
Asymmetric cost functions3 min
A brief recap1 min
5 lectures
Slides presented in this module10 min
Optional reading: worked-out example for closed-form solution10 min
Optional reading: worked-out example for gradient descent10 min
Download notebooks to follow along10 min
Fitting a simple linear regression model on housing data10 min
2 exercices pour s'entraîner
Simple Linear Regression14 min
Fitting a simple linear regression model on housing data8 min
Semaine
2

Semaine 2

3 heures pour terminer

Multiple Regression

3 heures pour terminer
19 vidéos (Total 87 min), 5 lectures, 3 quiz
19 vidéos
Polynomial regression3 min
Modeling seasonality8 min
Where we see seasonality3 min
Regression with general features of 1 input2 min
Motivating the use of multiple inputs4 min
Defining notation3 min
Regression with features of multiple inputs3 min
Interpreting the multiple regression fit7 min
Rewriting the single observation model in vector notation6 min
Rewriting the model for all observations in matrix notation4 min
Computing the cost of a D-dimensional curve9 min
Computing the gradient of RSS3 min
Approach 1: closed-form solution3 min
Discussing the closed-form solution4 min
Approach 2: gradient descent2 min
Feature-by-feature update9 min
Algorithmic summary of gradient descent approach4 min
A brief recap1 min
5 lectures
Slides presented in this module10 min
Optional reading: review of matrix algebra10 min
Exploring different multiple regression models for house price prediction10 min
Numpy tutorial10 min
Implementing gradient descent for multiple regression10 min
3 exercices pour s'entraîner
Multiple Regression18 min
Exploring different multiple regression models for house price prediction16 min
Implementing gradient descent for multiple regression10 min
Semaine
3

Semaine 3

2 heures pour terminer

Assessing Performance

2 heures pour terminer
14 vidéos (Total 93 min), 2 lectures, 2 quiz
14 vidéos
What do we mean by "loss"?4 min
Training error: assessing loss on the training set7 min
Generalization error: what we really want8 min
Test error: what we can actually compute4 min
Defining overfitting2 min
Training/test split1 min
Irreducible error and bias6 min
Variance and the bias-variance tradeoff6 min
Error vs. amount of data6 min
Formally defining the 3 sources of error14 min
Formally deriving why 3 sources of error20 min
Training/validation/test split for model selection, fitting, and assessment7 min
A brief recap1 min
2 lectures
Slides presented in this module10 min
Polynomial Regression10 min
2 exercices pour s'entraîner
Assessing Performance26 min
Exploring the bias-variance tradeoff8 min
Semaine
4

Semaine 4

3 heures pour terminer

Ridge Regression

3 heures pour terminer
16 vidéos (Total 85 min), 5 lectures, 3 quiz
16 vidéos
Overfitting demo7 min
Overfitting for more general multiple regression models3 min
Balancing fit and magnitude of coefficients7 min
The resulting ridge objective and its extreme solutions5 min
How ridge regression balances bias and variance1 min
Ridge regression demo9 min
The ridge coefficient path4 min
Computing the gradient of the ridge objective5 min
Approach 1: closed-form solution6 min
Discussing the closed-form solution5 min
Approach 2: gradient descent9 min
Selecting tuning parameters via cross validation3 min
K-fold cross validation5 min
How to handle the intercept6 min
A brief recap1 min
5 lectures
Slides presented in this module10 min
Download the notebook and follow along10 min
Download the notebook and follow along10 min
Observing effects of L2 penalty in polynomial regression10 min
Implementing ridge regression via gradient descent10 min
3 exercices pour s'entraîner
Ridge Regression18 min
Observing effects of L2 penalty in polynomial regression14 min
Implementing ridge regression via gradient descent16 min

Avis

Meilleurs avis pour MACHINE LEARNING: REGRESSION

Voir tous les avis

À propos du Spécialisation Apprentissage automatique

This Specialization from leading researchers at the University of Washington introduces you to the exciting, high-demand field of Machine Learning. Through a series of practical case studies, you will gain applied experience in major areas of Machine Learning including Prediction, Classification, Clustering, and Information Retrieval. You will learn to analyze large and complex datasets, create systems that adapt and improve over time, and build intelligent applications that can make predictions from data....
Apprentissage automatique

Foire Aux Questions

  • 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.
  • 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.

  • 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.

  • 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.

D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.