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.
Ce cours fait partie de la Spécialisation Science des données
Apprentissage mechanique pratique
proposé par
À propos de ce cours
4.5
2,288 notes
Ce que vous allez apprendre
Describe machine learning methods such as regression or classification trees
Explain the complete process of building prediction functions
Understand concepts such as training and tests sets, overfitting, and error rates
Use the basic components of building and applying prediction functions
Compétences que vous acquerrez
Random ForestMachine Learning (ML) AlgorithmsMachine LearningR Programming
Programme du cours : ce que vous apprendrez dans ce cours
Semaine
1Week 1: Prediction, Errors, and Cross Validation
This week will cover prediction, relative importance of steps, errors, and cross validation.
9 vidéos (Total 73 min), 3 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
3 lectures
Welcome to Practical Machine Learning10 min
Syllabus10 min
Pre-Course Survey10 min
1 exercice pour s'entraîner
Quiz 110 min
Semaine
2Week 2: The Caret Package
This week will introduce the caret package, tools for creating features and preprocessing.
9 vidéos (Total 96 min), 1 quiz
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
Semaine
3Week 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.
5 vidéos (Total 48 min), 1 quiz
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
Semaine
4Week 4: Regularized Regression and Combining Predictors
This week, we will cover regularized regression and combining predictors.
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
4.5
444 avis38%
a commencé une nouvelle carrière après avoir terminé ces cours
39%
a bénéficié d'un avantage concret dans sa carrière grâce à ce cours
16%
a obtenu une augmentation de salaire ou une promotion
Meilleurs avis
par AD•Mar 1st 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 AS•Aug 31st 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.
Enseignants
Jeff Leek, PhD
Associate Professor, BiostatisticsBloomberg School of Public Health
Roger D. Peng, PhD
Associate Professor, BiostatisticsBloomberg School of Public Health
Brian Caffo, PhD
Professor, BiostatisticsBloomberg School of Public Health
À propos de 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.
À propos de la Spécialisation Science des données
Ask the right questions, manipulate data sets, and create visualizations to communicate results.
This Specialization covers the concepts and tools you'll need throughout the entire data science pipeline, from asking the right kinds of questions to making inferences and publishing results. In the final Capstone Project, you’ll apply the skills learned by building a data product using real-world data. At completion, students will have a portfolio demonstrating their mastery of the material.
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.
Coursera propose un accès universel à la meilleure formation au monde,
en partenariat avec des universités et des organisations du plus haut niveau, pour proposer des cours en ligne.
© 2019 Coursera Inc. Tous droits réservés.
