One of the most common tasks performed by data scientists and data analysts are prediction and machine learning. This course will cover the basic components of building and applying prediction functions with an emphasis on practical applications. The course will provide basic grounding in concepts such as training and tests sets, overfitting, and error rates. The course will also introduce a range of model based and algorithmic machine learning methods including regression, classification trees, Naive Bayes, and random forests. The course will cover the complete process of building prediction functions including data collection, feature creation, algorithms, and evaluation.
Offert par
Université Johns-Hopkins
À propos de ce cours
52,667 consultations récentes
Résultats de carrière des étudiants
38%
ont commencé une nouvelle carrière après avoir terminé ce cours
38%
ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours
12%
a obtenu une augmentation de salaire ou une promotion
Compétences que vous acquerrez
Random ForestMachine Learning (ML) AlgorithmsMachine LearningR Programming
Résultats de carrière des étudiants
38%
ont commencé une nouvelle carrière après avoir terminé ce cours
38%
ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours
12%
a obtenu une augmentation de salaire ou une promotion
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Approx. 14 heures pour terminer
Anglais
Sous-titres : Anglais, Coréen
Programme du cours : ce que vous apprendrez dans ce cours
2 heures pour terminer
Week 1: Prediction, Errors, and Cross Validation
This week will cover prediction, relative importance of steps, errors, and cross validation.
2 heures pour terminer
9 vidéos (Total 73 min), 4 lectures, 1 quiz
9 vidéos
What is prediction?8 min
Relative importance of steps9 min
In and out of sample errors6 min
Prediction study design9 min
Types of errors10 min
Receiver Operating Characteristic5 min
Cross validation8 min
What data should you use?6 min
4 lectures
Welcome to Practical Machine Learning10 min
A Note of Explanation2 min
Syllabus10 min
Pre-Course Survey10 min
1 exercice pour s'entraîner
Quiz 110 min
2 heures pour terminer
Week 2: The Caret Package
This week will introduce the caret package, tools for creating features and preprocessing.
2 heures pour terminer
9 vidéos (Total 96 min)
9 vidéos
Caret package6 min
Data slicing5 min
Training options7 min
Plotting predictors10 min
Basic preprocessing10 min
Covariate creation17 min
Preprocessing with principal components analysis14 min
Predicting with Regression12 min
Predicting with Regression Multiple Covariates11 min
1 exercice pour s'entraîner
Quiz 210 min
1 heure pour terminer
Week 3: Predicting with trees, Random Forests, & Model Based Predictions
This week we introduce a number of machine learning algorithms you can use to complete your course project.
1 heure pour terminer
5 vidéos (Total 48 min)
5 vidéos
Predicting with trees12 min
Bagging9 min
Random Forests6 min
Boosting7 min
Model Based Prediction11 min
1 exercice pour s'entraîner
Quiz 310 min
4 heures pour terminer
Week 4: Regularized Regression and Combining Predictors
This week, we will cover regularized regression and combining predictors.
4 heures pour terminer
4 vidéos (Total 33 min), 2 lectures, 3 quiz
4 vidéos
Regularized regression13 min
Combining predictors7 min
Forecasting7 min
Unsupervised Prediction4 min
2 lectures
Course Project Instructions (READ FIRST)10 min
Post-Course Survey10 min
2 exercices pour s'entraîner
Quiz 410 min
Course Project Prediction Quiz40 min
Avis
4.5
Meilleurs avis pour APPRENTISSAGE MECHANIQUE PRATIQUE
par ADFeb 28, 2017
Issues of every stage of the construction of learning machine model, as well as issues with several different machine learning methods are well and in fine yet very understandable detail explained.
par ASAug 30, 2017
Highly recommend this course. It makes you read a lot, do lot's of practical exercises. The final project is a must do. After finishing this course you can start playing with kaggle data sets.
par DHJun 17, 2018
Excellent introduction to basic ML techniques. A lot of material covered in a short period of time! I will definitely seek more advanced training out of the inspiration provided by this class.
par EGJul 27, 2016
I learned a lot in this class. There are slight gaps from the depth of material covered in the lectures to the quizzes and assignment. If you're good at researching online, you'll be fine.
Offert par
Université Johns-Hopkins
The mission of The Johns Hopkins University is to educate its students and cultivate their capacity for life-long learning, to foster independent and original research, and to bring the benefits of discovery to the world.
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.