À propos de ce cours
4.6
2,499 notes
470 avis
Spécialisation
100% online

100% online

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire

Niveau intermédiaire

Heures pour terminer

Approx. 24 heures pour terminer

Recommandé : 8 hours/week...
Langues disponibles

Anglais

Sous-titres : Anglais, Coréen...

Ce que vous allez apprendre

  • Check

    Build features that meet analysis needs

  • Check

    Create and evaluate data clusters

  • Check

    Describe how machine learning is different than descriptive statistics

  • Check

    Explain different approaches for creating predictive models

Compétences que vous acquerrez

Python ProgrammingMachine Learning (ML) AlgorithmsMachine LearningScikit-Learn
Spécialisation
100% online

100% online

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Dates limites flexibles

Dates limites flexibles

Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire

Niveau intermédiaire

Heures pour terminer

Approx. 24 heures pour terminer

Recommandé : 8 hours/week...
Langues disponibles

Anglais

Sous-titres : Anglais, Coréen...

Programme du cours : ce que vous apprendrez dans ce cours

Semaine
1
Heures pour terminer
8 heures pour terminer

Module 1: Fundamentals of Machine Learning - Intro to SciKit Learn

This module introduces basic machine learning concepts, tasks, and workflow using an example classification problem based on the K-nearest neighbors method, and implemented using the scikit-learn library....
Reading
6 vidéos (Total 71 min), 4 lectures, 2 quiz
Video6 vidéos
Key Concepts in Machine Learning13 min
Python Tools for Machine Learning4 min
An Example Machine Learning Problem12 min
Examining the Data9 min
K-Nearest Neighbors Classification20 min
Reading4 lectures
Course Syllabus10 min
Help us learn more about you!10 min
Notice for Auditing Learners: Assignment Submission10 min
Zachary Lipton: The Foundations of Algorithmic Bias (optional)30 min
Quiz1 exercice pour s'entraîner
Module 1 Quiz20 min
Semaine
2
Heures pour terminer
9 heures pour terminer

Module 2: Supervised Machine Learning - Part 1

This module delves into a wider variety of supervised learning methods for both classification and regression, learning about the connection between model complexity and generalization performance, the importance of proper feature scaling, and how to control model complexity by applying techniques like regularization to avoid overfitting. In addition to k-nearest neighbors, this week covers linear regression (least-squares, ridge, lasso, and polynomial regression), logistic regression, support vector machines, the use of cross-validation for model evaluation, and decision trees. ...
Reading
12 vidéos (Total 166 min), 2 lectures, 2 quiz
Video12 vidéos
Overfitting and Underfitting12 min
Supervised Learning: Datasets4 min
K-Nearest Neighbors: Classification and Regression13 min
Linear Regression: Least-Squares17 min
Linear Regression: Ridge, Lasso, and Polynomial Regression19 min
Logistic Regression12 min
Linear Classifiers: Support Vector Machines13 min
Multi-Class Classification6 min
Kernelized Support Vector Machines18 min
Cross-Validation9 min
Decision Trees19 min
Reading2 lectures
A Few Useful Things to Know about Machine Learning10 min
Ed Yong: Genetic Test for Autism Refuted (optional)10 min
Quiz1 exercice pour s'entraîner
Module 2 Quiz22 min
Semaine
3
Heures pour terminer
7 heures pour terminer

Module 3: Evaluation

This module covers evaluation and model selection methods that you can use to help understand and optimize the performance of your machine learning models. ...
Reading
7 vidéos (Total 81 min), 1 lecture, 2 quiz
Video7 vidéos
Confusion Matrices & Basic Evaluation Metrics12 min
Classifier Decision Functions7 min
Precision-recall and ROC curves6 min
Multi-Class Evaluation13 min
Regression Evaluation6 min
Model Selection: Optimizing Classifiers for Different Evaluation Metrics13 min
Reading1 lecture
Practical Guide to Controlled Experiments on the Web (optional)10 min
Quiz1 exercice pour s'entraîner
Module 3 Quiz28 min
Semaine
4
Heures pour terminer
10 heures pour terminer

Module 4: Supervised Machine Learning - Part 2

This module covers more advanced supervised learning methods that include ensembles of trees (random forests, gradient boosted trees), and neural networks (with an optional summary on deep learning). You will also learn about the critical problem of data leakage in machine learning and how to detect and avoid it....
Reading
10 vidéos (Total 94 min), 11 lectures, 2 quiz
Video10 vidéos
Random Forests11 min
Gradient Boosted Decision Trees5 min
Neural Networks19 min
Deep Learning (Optional)7 min
Data Leakage11 min
Introduction4 min
Dimensionality Reduction and Manifold Learning9 min
Clustering14 min
Conclusion2 min
Reading11 lectures
Neural Networks Made Easy (optional)10 min
Play with Neural Networks: TensorFlow Playground (optional)10 min
Deep Learning in a Nutshell: Core Concepts (optional)10 min
Assisting Pathologists in Detecting Cancer with Deep Learning (optional)10 min
The Treachery of Leakage (optional)10 min
Leakage in Data Mining: Formulation, Detection, and Avoidance (optional)10 min
Data Leakage Example: The ICML 2013 Whale Challenge (optional)10 min
Rules of Machine Learning: Best Practices for ML Engineering (optional)10 min
How to Use t-SNE Effectively10 min
How Machines Make Sense of Big Data: an Introduction to Clustering Algorithms10 min
Post-course Survey10 min
Quiz1 exercice pour s'entraîner
Module 4 Quiz20 min
4.6
470 avisChevron Right
Orientation de carrière

55%

a commencé une nouvelle carrière après avoir terminé ces cours
Avantage de carrière

83%

a bénéficié d'un avantage concret dans sa carrière grâce à ce cours

Meilleurs avis

par OASep 9th 2017

This course is ideally designed for understanding, which tools you can use to do machine learning tasks in python. However, for deep understanding ML algorithms you should take more math based courses

par FLOct 14th 2017

Very well structured course, and very interesting too! Has made me want to pursue a career in machine learning. I originally just wanted to learn to program, without true goal, now I have one thanks!!

Enseignant

Avatar

Kevyn Collins-Thompson

Associate Professor
School of Information

À propos de University of Michigan

The mission of the University of Michigan is to serve the people of Michigan and the world through preeminence in creating, communicating, preserving and applying knowledge, art, and academic values, and in developing leaders and citizens who will challenge the present and enrich the future....

À propos de la Spécialisation Applied Data Science with Python

The 5 courses in this University of Michigan specialization introduce learners to data science through the python programming language. This skills-based specialization is intended for learners who have a basic python or programming background, and want to apply statistical, machine learning, information visualization, text analysis, and social network analysis techniques through popular python toolkits such as pandas, matplotlib, scikit-learn, nltk, and networkx to gain insight into their data. Introduction to Data Science in Python (course 1), Applied Plotting, Charting & Data Representation in Python (course 2), and Applied Machine Learning in Python (course 3) should be taken in order and prior to any other course in the specialization. After completing those, courses 4 and 5 can be taken in any order. All 5 are required to earn a certificate....
Applied Data Science with Python

Foire Aux Questions

  • 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.

  • 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.

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