Machine Learning Real World Applications. Master techniques for implementing a machine learning project

4.6

étoiles

540 évaluations

Anna Koop

12 927 déjà inscrits

Offert par

Spécialisation Machine Learning: Algorithms in the Real WorldAlberta Machine Intelligence Institute

Ce que vous allez apprendre

Clearly define an ML problem

Survey available data resources and identify potential ML applications

Prepare data for effective ML applications

Take a business need and turn it into a machine learning application

Compétences que vous acquerrez

Applied Machine LearningMachine LearningClassification AlgorithmsMachine Learning (ML) AlgorithmsProject ManagementStatistical AnalysisPython ProgrammingComputer ProgrammingLinear Algebra

À propos de ce Spécialisation

3 892 consultations récentes

This specialization is for professionals who have heard the buzz around machine learning and want to apply machine learning to data analysis and automation. Whether finance, medicine, engineering, business or other domains, this specialization will set you up to define, train, and maintain a successful machine learning application. After completing all four courses, you will have gone through the entire process of building a machine learning project. You will be able to clearly define a machine learning problem, identify appropriate data, train a classification algorithm, improve your results, and deploy it in the real world. You will also be able to anticipate and mitigate common pitfalls in applied machine learning.

Certificat partageable

Obtenez un Certificat lorsque vous terminez

Cours en ligne à 100 %

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Planning flexible

Définissez et respectez des dates limites flexibles.

Niveau intermédiaire

We recommend a background in analytics, math (linear algebra, matrix multiplication), statistics and beginner level python programming.

Approximativement 4 mois pour terminer

Rythme recommandé de 3 heures/semaine

Anglais

Sous-titres : Anglais, Arabe, Français, Portugais (européen), Italien, Vietnamien, Allemand, Russe, Espagnol

Certificat partageable

Obtenez un Certificat lorsque vous terminez

Cours en ligne à 100 %

Commencez dès maintenant et apprenez aux horaires qui vous conviennent.

Planning flexible

Définissez et respectez des dates limites flexibles.

Niveau intermédiaire

We recommend a background in analytics, math (linear algebra, matrix multiplication), statistics and beginner level python programming.

Approximativement 4 mois pour terminer

Rythme recommandé de 3 heures/semaine

Anglais

Sous-titres : Anglais, Arabe, Français, Portugais (européen), Italien, Vietnamien, Allemand, Russe, Espagnol

Comment fonctionne la Spécialisation

Suivez les cours

Une Spécialisation Coursera est une série de cours axés sur la maîtrise d'une compétence. Pour commencer, inscrivez-vous directement à la Spécialisation ou passez en revue ses cours et choisissez celui par lequel vous souhaitez commencer. Lorsque vous vous abonnez à un cours faisant partie d'une Spécialisation, vous êtes automatiquement abonné(e) à la Spécialisation complète. Il est possible de terminer seulement un cours : vous pouvez suspendre votre formation ou résilier votre abonnement à tout moment. Rendez-vous sur votre tableau de bord d'étudiant pour suivre vos inscriptions aux cours et vos progrès.

Projet pratique

Chaque Spécialisation inclut un projet pratique. Vous devez réussir le(s) projet(s) pour terminer la Spécialisation et obtenir votre Certificat. Si la Spécialisation inclut un cours dédié au projet pratique, vous devrez terminer tous les autres cours avant de pouvoir le commencer.

Obtenir un Certificat

Lorsque vous aurez terminé tous les cours et le projet pratique, vous obtiendrez un Certificat que vous pourrez partager avec des employeurs éventuels et votre réseau professionnel.

Cette Spécialisation compte 4 cours

Cours1

Cours 1

Introduction to Applied Machine Learning

4.7

étoiles

622 évaluations

•

147 avis

This course is for professionals who have heard the buzz around machine learning and want to apply machine learning to data analysis and automation. Whether finance, medicine, engineering, business or other domains, this course will introduce you to problem definition and data preparation in a machine learning project.

By the end of the course, you will be able to clearly define a machine learning problem using two approaches. You will learn to survey available data resources and identify potential ML applications. You will learn to take a business need and turn it into a machine learning application. You will prepare data for effective machine learning applications. This is the first course of the Applied Machine Learning Specialization brought to you by Coursera and the Alberta Machine Intelligence Institute.

Cours2

Cours 2

Machine Learning Algorithms: Supervised Learning Tip to Tail

4.7

étoiles

373 évaluations

•

62 avis

This course takes you from understanding the fundamentals of a machine learning project. Learners will understand and implement supervised learning techniques on real case studies to analyze business case scenarios where decision trees, k-nearest neighbours and support vector machines are optimally used. Learners will also gain skills to contrast the practical consequences of different data preparation steps and describe common production issues in applied ML.

To be successful, you should have at least beginner-level background in Python programming (e.g., be able to read and code trace existing code, be comfortable with conditionals, loops, variables, lists, dictionaries and arrays). You should have a basic understanding of linear algebra (vector notation) and statistics (probability distributions and mean/median/mode). This is the second course of the Applied Machine Learning Specialization brought to you by Coursera and the Alberta Machine Intelligence Institute.

Cours3

Cours 3

Data for Machine Learning

4.4

étoiles

88 évaluations

•

24 avis

This course is all about data and how it is critical to the success of your applied machine learning model. Completing this course will give learners the skills to:

Understand the critical elements of data in the learning, training and operation phases Understand biases and sources of data Implement techniques to improve the generality of your model Explain the consequences of overfitting and identify mitigation measures Implement appropriate test and validation measures. Demonstrate how the accuracy of your model can be improved with thoughtful feature engineering. Explore the impact of the algorithm parameters on model strength To be successful in this course, you should have at least beginner-level background in Python programming (e.g., be able to read and code trace existing code, be comfortable with conditionals, loops, variables, lists, dictionaries and arrays). You should have a basic understanding of linear algebra (vector notation) and statistics (probability distributions and mean/median/mode). This is the third course of the Applied Machine Learning Specialization brought to you by Coursera and the Alberta Machine Intelligence Institute.

Cours4

Cours 4

Optimizing Machine Learning Performance

4.6

étoiles

38 évaluations

•

8 avis

This course synthesizes everything your have learned in the applied machine learning specialization. You will now walk through a complete machine learning project to prepare a machine learning maintenance roadmap. You will understand and analyze how to deal with changing data. You will also be able to identify and interpret potential unintended effects in your project. You will understand and define procedures to operationalize and maintain your applied machine learning model. By the end of this course you will have all the tools and understanding you need to confidently roll out a machine learning project and prepare to optimize it in your business context.

To be successful, you should have at least beginner-level background in Python programming (e.g., be able to read and code trace existing code, be comfortable with conditionals, loops, variables, lists, dictionaries and arrays). You should have a basic understanding of linear algebra (vector notation) and statistics (probability distributions and mean/median/mode). This is the final course of the Applied Machine Learning Specialization brought to you by Coursera and the Alberta Machine Intelligence Institute (Amii).

Enseignant

Anna Koop

Senior Scientific Advisor

Alberta Machine Intelligence Institute, University of Alberta

27 983 étudiants

4 cours

Offert par

Alberta Machine Intelligence Institute

The Alberta Machine Intelligence Institute (Amii) is home to some of the world’s top talent in machine intelligence. We’re an Alberta-based

Foire Aux Questions

Quelle est la politique de remboursement ?
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.
Puis-je m'inscrire à un seul cours ?
Oui ! Pour commencer, cliquez sur la carte du cours qui vous intéresse et inscrivez-vous. Vous pouvez vous inscrire et terminer le cours pour obtenir un Certificat partageable, ou vous pouvez accéder au cours en auditeur libre afin d'en visualiser gratuitement le contenu. Si vous vous abonnez à un cours faisant partie d'une Spécialisation, vous êtes automatiquement abonné(e) à la Spécialisation complète. Visitez votre tableau de bord d'étudiant(e) pour suivre vos progrès.
Une aide financière est-elle possible ?
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.
Puis-je suivre le cours gratuitement ?
Si vous vous inscrivez au cours, vous pouvez accéder à tous les cours de la Spécialisation et obtenir un Certificat lorsque vous terminez le travail. Si vous souhaitez seulement lire et examiner le contenu du cours, vous pouvez accéder gratuitement au cours en auditeur libre. Si vous n'avez pas les moyens d'acquitter les frais, vous pouvez faire une demande d'Aide Financière.
Ce cours est-il vraiment accessible en ligne à 100 % ? Dois-je assister à certaines activités en personne ?
Ce cours est entièrement en ligne : vous n'avez donc pas besoin de vous présenter physiquement dans une salle de classe. Vous pouvez accéder à vos vidéos de cours, lectures et devoirs en tout temps et en tout lieu, par l'intermédiaire du Web ou de votre appareil mobile.
Quelle est la durée nécessaire pour terminer la Spécialisation ?
It is recommended that you take 4-6 months to complete this specialization.
What background knowledge is necessary?
We recommend a background in analytics, math (linear algebra, matrix multiplication), statistics and beginner level python programming.
Do I need to take the courses in a specific order?
We recommend taking the courses in sequential order.
Puis-je obtenir des crédits universitaires si je réussis la Spécialisation ?
You will earn a specialization certificate from Coursera however you will not receive any University of Alberta credits.
What will I be able to do upon completing the Specialization?
By the end of the specialization, you will be able to understand and manage the entire process of building a machine learning project. You will be able to clearly define a machine learning problem, identify appropriate data, train a classification algorithm, improve your results, and deploy it in the real world. You will also be able to anticipate and mitigate common pitfalls in applied machine learning.

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