À propos de ce cours

156,501 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. 22 heures pour terminer
Anglais

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. 22 heures pour terminer
Anglais

Offert par

Placeholder

Université de Washington

Programme du cours : ce que vous apprendrez dans ce cours

Évaluation du contenuThumbs Up94%(19,151 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
4 heures pour terminer

Simple Linear Regression

4 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 Regression30 min
Fitting a simple linear regression model on housing data30 min
Semaine
2

Semaine 2

4 heures pour terminer

Multiple Regression

4 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 Regression30 min
Exploring different multiple regression models for house price prediction30 min
Implementing gradient descent for multiple regression30 min
Semaine
3

Semaine 3

3 heures pour terminer

Assessing Performance

3 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 Performance30 min
Exploring the bias-variance tradeoff30 min
Semaine
4

Semaine 4

4 heures pour terminer

Ridge Regression

4 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 Regression30 min
Observing effects of L2 penalty in polynomial regression30 min
Implementing ridge regression via gradient descent30 min

Avis

Meilleurs avis pour MACHINE LEARNING: REGRESSION

Voir tous les avis

À propos du Spécialisation Apprentissage automatique

Apprentissage automatique

Foire Aux Questions

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