Dieser Kurs richtet sich an alle, die an der Anwendung von Techniken des maschinellen Lernens auf wissenschaftliche Probleme interessiert sind. In diesem Kurs lernen wir die gesamte Pipeline des maschinellen Lernens kennen, vom Einlesen, Bereinigen und Umwandeln von Daten bis zur Ausführung grundlegender und fortgeschrittener Algorithmen des maschinellen Lernens. Wir beginnen mit Techniken zur Vorverarbeitung von Daten, wie PCA und LDA. Dann tauchen wir in die grundlegenden KI-Algorithmen ein: SVMs und K-means Clustering. Auf dem Weg dorthin werden wir unser mathematisches und programmiertechnisches Rüstzeug aufbauen, um uns auf die Arbeit mit komplizierteren Modellen vorzubereiten. Schließlich erforschen wir fortgeschrittene Methoden wie Random Forests und neuronale Netze. Dabei werden wir auch medizinische und astronomische Datensätze verwenden. Im Abschlussprojekt werden wir unsere Kenntnisse anwenden, um verschiedene Modelle des maschinellen Lernens in Python zu vergleichen.
Modelle für maschinelles Lernen in der Wissenschaft
Dieser Kurs ist Teil von Spezialisierung KI für die wissenschaftliche Forschung
Dozenten: Sabrina Moore
1.785 bereits angemeldet
Bei 
enthalten
(12 Bewertungen)
Empfohlene Erfahrung
Was Sie lernen werden
Implementierung und Auswertung von Modellen des maschinellen Lernens (neuronale Netze, Random Forests usw.) auf wissenschaftlichen Daten in Python
Kompetenzen, die Sie erwerben
- Kategorie: Zufälliger Wald
- Kategorie: Künstliches Neuronales Netzwerk
- Kategorie: Python-Programmierung
- Kategorie: Maschinelles Lernen
- Kategorie: PCA
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
5 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- Lernen Sie neue Konzepte von Branchenexperten
- Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
- Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
- Erwerben Sie ein Berufszertifikat zur Vorlage
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 4 Module
In diesem Modul befassen wir uns mit den Schritten, die erforderlich sind, bevor wir KI-Algorithmen verwenden können. Wir beginnen mit einer Einführung in die wichtigsten Techniken der Datenvorverarbeitung, einschließlich des Auffüllens fehlender Werte und des Entfernens von Ausreißern. Dann tauchen wir in die Datentransformation ein, einschließlich PCA und LDA, zwei Methoden, die bei der Dimensionalitätsreduktion eine wichtige Rolle spielen. Schließlich lernen wir, wie man die Algorithmen in Python codiert, um Ihre Daten für die Verwendung im nächsten Modul vorzubereiten.
Das ist alles enthalten
12 Videos4 Lektüren2 Aufgaben1 Diskussionsthema
In diesem Modul werden wir uns mit zwei der grundlegendsten Algorithmen für maschinelles Lernen beschäftigen: K-Means und Support-Vektor-Maschinen. Wir beginnen mit einem Vergleich der beiden Zweige des maschinellen Lernens: überwachtes und unüberwachtes Lernen. Dann gehen wir auf die spezifischen Gemeinsamkeiten und Unterschiede zwischen K-Nächste Nachbarn für die Klassifizierung und K-Means Clustering ein. Schließlich tauchen wir tief in K-Means und SVMs ein, lernen die grundlegende Theorie dahinter kennen und erfahren, wie man sie in Python implementiert.
Das ist alles enthalten
4 Videos3 Lektüren2 Aufgaben1 Programmieraufgabe1 Diskussionsthema2 Unbewertete Labore
In diesem Modul werden wir einige fortgeschrittene KI-Techniken erkunden. Wir beginnen mit baumbasierten Algorithmen, die durch die Verwendung von Random Forests sowohl für die Klassifizierung als auch für die Regression populär geworden sind. Dann werden wir uns zu den neuronalen Netzwerken vorarbeiten, indem wir mit den verschiedenen Modellen experimentieren. Wir werden einige Zeit im Tensorflow-Spielplatz verbringen, um uns mit den verschiedenen Mechanismen hinter neuronalen Netzwerken vertraut zu machen. Schließlich werden wir unsere eigenen neuronalen Netze programmieren, um Vorhersagen für ungesehene Daten zu treffen.
Das ist alles enthalten
1 Video4 Lektüren1 Aufgabe1 Programmieraufgabe1 Diskussionsthema2 Unbewertete Labore
In diesem Modul werden wir ein Kursprojekt zur Vorhersage von Diabetes anhand von Gesundheitsdaten durchführen. Wir werden verschiedene Regressoren vergleichen, indem wir sie implementieren und den Fehler in einem Testsatz überprüfen.
Das ist alles enthalten
1 Programmieraufgabe1 Unbewertetes Labor
von
Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
Coursera Project Network
Johns Hopkins University
Wesleyan University
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
12 Bewertungen
- 5 stars
50 %
- 4 stars
8,33 %
- 3 stars
33,33 %
- 2 stars
8,33 %
- 1 star
0 %
Zeigt 3 von 12 an
Geprüft am 7. Juli 2022
I would have had more stars, but a couple of the programming assignments had different values for random used for the answer and not what was listed in the question.
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.