Coursera

Uvod

Pročitajte zvanični opis

Наша мисија

Цоурсера је едукација платформа која сарађује са врхунским универзитетима и организацијама широм света, нуди курсеве на мрежи за било кога да, бесплатно.

Ми предвиђају будућност у којој свако има приступ светске класе образовања. Циљ нам је да оснажи људе са образовањем које ће побољшати њихове животе, животе својих породица, и заједница у којима живе.

Како то ради

Откријте курс и пријавите се данас

Изаберите из 400+ курсева створених од стране врхунских образовних институција у свету.

Сазнајте на свом распореду

Ватцх кратке видео предавања, интерактивне квизове, узети комплетне вршњачке оцењен процене, и повезивање са друговима из разреда и наставницима.

Постигнете своје циљеве

Завршите разред и прима признање за ваш остварење.

Наш приступ

Искуство Цоурсера

То је једноставно. Ми желимо да помогнемо студентима уче боље - и брже. Зато смо направили нашу платформу на основу доказаних метода наставе проверених врхунских истраживача. Ево 4 кључне идеје које су утицајне у обликовању наше визије:

Ефективност онлине учење

Онлине Леарнинг игра значајну улогу у доживотном образовању. У ствари, недавном извештају америчког секретаријата за образовање утврдио да "класе са онлине учење (да учи у потпуности на мрежи, или мешани) у просеку дају боље резултате учења ученика него што су то одељења са искључиво лицем у лице наставе."

Градива

На основу приступа развио психолог образовне Бењамин Блоом, градива помаже студентима у потпуности разумеју тему пре него што пређете на напредније теми. На Цоурсера, ми обично дају тренутну повратну информацију на концепту ученик није разумео. У многим случајевима, обезбедили смо и насумичне верзије задатка тако да студент може поново студију и поново покушај домаћи.

Процене Пеер

У многим курсевима су најзначајнији задаци не могу лако оцењује рачунара. Зато користимо процене Пеер, где студенти могу да процене и дају повратну информацију о међусобни рад. Ова техника је приказан у многим студијама довести до тачног повратну за студента и драгоцено искуство учења за грејдер.

Блендед Леарнинг

Многи од наших партнерских институција користите наш онлине платформу да дају своје он-кампусу студенти са побољшаним искуством учења. Овај модел учења уклопљен је приказан у студијама за повећање ученик ангажман, присуство и перформансе.

Ova škola nudi programe:
  • енглески језик

Pregledajte kurseve »

Programi

Ova škola takođe nudi:

Kursevi

Наравно, у машинског учења (средњи)

Online студије Fleksibilno vreme 8 месеци Otvoren upis Сједињене Америчке Државе САД продаји

Ова Специјализација даје увод у узбудљивом, високо-потражња области машинског учења је предмет заснован. Ћете научити да анализирају велике и комплексне скупове података, праве апликације које могу да предвиде из података, и стварају системе који прилагоди и поправи током времена. [+]

Ова Специјализација даје увод у узбудљивом, високо-потражња области машинског учења је предмет заснован. Ћете научити да анализирају велике и комплексне скупове података, праве апликације које могу да предвиде из података, и стварају системе који прилагоди и поправи током времена. У завршној Цапстоне пројекта, ви ћете применити своје вештине да реши оригинални, стварног света проблем кроз реализацију алгоритама машинског учења. Курсеви Машина за учење Основе: Студија случаја Приступ Да ли имате податке и питају шта могу да вам кажем? Да ли је потребно дубље разумевање основних начина на који машина учење могу да побољшају ваше пословање? Да ли желите да будете у стању да разговарају са стручњацима о свему из регресије и класификације до дубоких учења и системи за препоруку? У овом курсу, добићете практично искуство са машинског учења из низа практичних студије случаја. На крају првог Наравно да ће имати проучавали како да се предвиди цене кућа на основу карактеристика кућа нивоу, анализира осећања од корисника прегледа, преузети документе од интереса, препоручују производе, и трагати за сликама. Кроз руке-на праксу са овим употребе случајевима, моћи ћете да примени метода учења машина у широком спектру области. Овај први курс третира методе учења машина као црна кутија. Користећи овај апстракција, ти ће се фокусирати на разумевање задатака од интереса, које задовољавају ове задатке алата машинског учења, и процену квалитета излаза. У наредним курсевима, ви истражује компоненте овог црног оквира увидом моделе и алгоритме. Заједно, ови комади чине цевовода машинског учења, које ће користити у развоју интелигентних апликација. Исходи учења: До краја овог курса, моћи ћете да: - Утврдити потенцијалне примене машинског учења у пракси. - Описати основне разлике у анализама које омогућава регресије, класификацији и груписања. - Изаберите одговарајући задатак учења машина за потенцијалну примену. - Нанесите регресија, класификацију, груписање, претраживање, системи за препоруку, и дубоко учење. - Репресент своје податке као има да служи као улаз за моделе машинског учења. - Процена квалитета модела у смислу релевантних метрике грешке за сваки задатак. - Користите скуп података да се уклопи модел за анализу нове податке. - Буилд апликацију енд-то-енд да користи машинског учења у својој сржи. - Спровођење ових техника у Питхон. Машинско учење: регресија Студија случаја - Предвиђање Цијене некретнина у нашој првој студији случаја, предвиђање цена кућа, ви ћете створити моделе који предвиђају континуирани вредност (цена) из улазних карактеристика (квадратуру, број спаваћих соба и купатила, ...). Ово је само један од многих места где се регресија се примењују. Остале апликације у распону од предвиђања здравствених исхода у медицини, цена акција у области финансија, и коришћење енергије у рачунарство високих перформанси, до анализе које су регулатори важно за гена. У овом Наравно да ће истражити регулисано линеарне регресије модела за задатак предвиђања и селекције функција. Ви ћете бити у стању да обради веома велике скупове функција и одабрати између модела различитих сложености. Такође ћете анализирати утицај аспекте ваших података - као што су оутлиер - на изабраним моделима и предвиђања. Да стане ове моделе, ви ће спровести оптимизацију алгоритме који скала до великих скупова података. Исходи учења: До краја овог курса, моћи ћете да: - Описати улаз и излаз регресије модела. - Упоредите и контраст одступања и неслагања када моделирање података. - Параметри Процена модела користе за оптимизацију алгоритама. - Параметри Туне са крстом валидације. - Анализирајте перформансе модела. - Описати појам спарсити и како ЛАССО доводи до ретким решења. - Примените методе за избор између модела. - Екплоит модел за формирање предвиђања. - Направите регресије модел за предвиђање цене помоћу хоусинг Скуп података. - Спровођење ових техника у Питхон. Машинско учење: Класификација Студије случаја: Анализа сентимент и кредита Дефаулт Предицтион У нашој студији случаја на анализирање осећања, ви ћете створити моделе који предвиђају класу (позитиван / негативан сентимент) из улазних карактеристика (текст критике, профил информације о кориснику, ...). У нашој другој студији случаја за овог курса, кредита подразумевани прогнози, ти ће се бавити финансијске податке, а предвидети када ће вероватно бити ризично или безбедна за банке кредит. Ови задаци су ан примери класификације, један од најчешће коришћених области машинског учења, са широком спектру апликација, укључујући циљање огласа, откривању безвредне, медицинске дијагностике и класификације слике. У овом курсу, ви ћете створити класификаторе које пружају стате-оф-тхе-арт наступ на различитим задацима. Ви ћете се упознати са најуспешнијим технике, који се најчешће користе у пракси, укључујући логистичке регресије, стабла одлучивања и јачање. Поред тога, моћи ћете да осмисле и спроведу алгоритме који у основи могу да уче ове моделе на скали, користећи стохастичког успон градијента. Ви ћете имплементирати ове технике на реалног света, великих задатака машинског учења. Такође ћете обратити значајне задатке које ће се суочити у реалним апликацијама МЛ, укључујући и руковање недостају подаци и мерења прецизност и сећам се да процени класификатор. Овај курс је практичан, пуне акције, и пуна визуализације и илустрација како ће ове технике понашати на стварним подацима. Такође смо укључени опциони садржај у сваком модулу, покривајући напредне теме за оне који желе да иду још дубље! Циљеви учења: До краја овог курса, моћи ћете да: - Описати улаз и излаз модела класификације. - Тацкле оба бинарне и МултиЦласс проблема класификације. - Имплементација логистичка регресија модел за класификацију велике. - Критике нелинеарно модел користећи стабла одлучивања. - Побољшање перформансе било ког модела користећи јачање. - Сцале своје методе са стохастичког градиент успону. - Описати основне одлука границе. - Направите модел класификације предвидети осећања у разматрање производ података. - Анализа финансијских података за предвиђање кредита вредности. - Користите технике за руковање недостајуће податке. - Процените своје моделе помоћу прецизно опозива показатеље. - Имплементација ове технике у Питхон (или на језику по свом избору, иако Питон се препоручује). Машинско учење: Груписање и преузимања Студије случаја: Проналажење сличних докумената читалац је заинтересован у одређеном новински чланак и желите да пронађете сличне чланке препоручује. Шта је прави појам сличности? Осим тога, шта ако постоје милиони других докумената? Сваки пут када желите да преузели нови документ, да ли треба тражити кроз сва остала документа? Како се до групне сличних докумената заједно? Како сте открили нове, јављају теме које су документи покривају? У овом трећем студији случаја, проналажење сличних докумената, ви ћете испитати алгоритама сличности засноване за проналажење. У овом Наравно да ће испитати структурне репрезентације за описује документе у корпусу, укључујући груписање и комбиноване моделе за чланство, као што су латентне Дирихле расподјеле (ЛДА). Ви ћете спровести очекивање максимизација (ЕМ) да научи цлустерингс документа, и да видимо како да смањи методе помоћу МапРедуце. Исходи учења: До краја овог курса, бићете у стању да: - Направите систем документ проналажење помоћу к-најближе суседе. - Утврдити различите сличности показатеље за текстуалних података. - Смањење прорачуна у к-претраживање најближег суседа помоћу КД-дрвеће. - Продуце приближно најближе суседе уз локалитет осетљиве хеширање. - Упоредите и контраст надзором и без надзора задатке учења. - Кластер документи по темама користећи к-средства. - Описати како параллелизе к-средства помоћу МапРедуце. - Испитати пробабилистичких приступа груписања моделе мешавине користећи. - Фит мјешавину Гаусов модела користећи очекивање максимизација (ЕМ). - Обавља и мешовити моделирање чланство користећи латентни Дирицхлет расподелу (ЛДА). - Описати кораке у Гиббс узоркивача и како користити свој излаз на посредне закључке. - Упоредите и технике контраст инитиализатион за не-цонвек циљева оптимизације. - Спровођење ових техника у Питхон. Машинско учење: системи за препоруку и димензионалности Смањење Студија случаја: Рецоммендинг Производи Како Амазон препоручује производе можда сте заинтересовани за куповину? Како Нетфлик одлучити које филмове или ТВ емисије можда ћете желети да гледате? Шта ако сте нови корисник, требало би да Нетфлик само препоручити најпопуларније филмове? Ко би ти формирати нову везу са на Фацебоок или ЛинкедИн? Ова питања су ендемске у већини делатности услуга на бази, и у основи појам сарадње филтрирања и системи за препоруку размештене у решавању ових проблема. У овој четвртој студији случаја, ви ћете истражити ове идеје у контексту препорука производа заснованих на критике купаца. У овом Наравно да ће истражити технике смањења димензионалноста за моделирање високо-димензионални податке. У случају системи за препоруку, подаци се односе представљени као корисник-производа, са потенцијално милиони корисника и стотина хиљада производа. Ви ћете имплементирати матрица разлагање и латентне моделе фактор за задатак предвиђања нове односе корисник-производа. Такође ћете користити страни информације о производима и корисницима да побољшају предвиђања. Исходи учења: До краја овог курса, моћи ћете да: - Креирај заједнички систем за филтрирање. - Смањење димензионалност података користећи СВД, ПЦА, и случајних пројекције. - Обавља и матрица разлагање помоћу координата спуштање. - Примените латентних модела фактора као систем Препоручитељ. - Ручка хладан старт проблем помоћу страни информације. - Испитати препоруку производа апликацију. - Спровођење ових техника у Питхон. Машинско учење Цапстоне: Интелигентна Пријаве са Дееп учење Да ли сте се икада запитали како се гради Рекомендатор производ? Како се може закључити основног расположење из прегледа? Како можете да извуку информације из слика да нађу визуелно-сличних производа за препоручити? Како се изградити апликацију која чини све ове ствари у реалном времену, и обезбеђује фронт-енд корисничко искуство? То је оно што ће се градити на овом курсу! Користећи оно што сте до сада научили о машинског учења, ви ћете изградити општи производа системи за препоруку да је много више него само наћи сличне производе ћете комбиновати слике производа са описом производа и њихових мишљења да се створи заиста иновативни интелигентни апликацију. Вероватно сте чули да дубоко учење чини вест широм света као један од најперспективнијих техника у машинског учења, посебно за анализу података слике. Са сваким индустрије посвећује средства за откључавање дубоку потенцијал за учење, да буде конкурентна, ви ћете желети да користите ове моделе у задацима као што су слике означавање, препознавања објекта, препознавање говора, и анализи текста. У овом Цапстоне, ви ћете изградити дубоке моделе учења помоћу неуронске мреже, истражити шта су, шта раде, и како. Да бисте уклонили препреку увео пројектовања, обуку, и тунинг мреже, и да буде у стању да постигну високе перформансе са мање означеним подацима, такође ћете изградити дубоке класификаторе учења прилагођене вашем конкретном задатку помоћу унапред обучени модела, који зовемо дубоко функције . Као језгра овог Цапстоне пројекта, ви ћете провести дубоку модел учења за препоруку производа слике засноване. Тада ћете комбиновати овај визуелни модел са текстом описом производа и информација из прегледа за изградњу узбудљиву, енд-то-енд интелигентну апликацију која обезбеђује нови производ дисцовери искуство. Тада ће развити као сервис који можете да поделите са својим пријатељима и потенцијалним послодавцима. Исходи учења: До краја ове Цапстоне, моћи ћете да: - Истражите скуп података производа, критике и слике. - Направите Рецоммендер производа. - Опишите како се неуронске мреже модела представља и како се кодира не-линеарне функције. - Комбиновати различите врсте слојева и функција активације на добијање боље перформансе. - Коришћење модела, као што су дубоке карактеристика претраинед, за нове задатке класификације. - Описати како се ови модели могу применити у компјутерске визије, текст аналитике и препознавање говора. - Користите визуалне функције пронаћи производе ваши корисници желе. - Укључити ревиев осећања у препоруци. - Буилд апликацију енд-то-енд. - Примените га као сервис. - Спровођење ових техника у Питхон. [-]

Kontaktirajte
Adresa
USA Online, US