University of Michigan
Angewandtes maschinelles Lernen in Python
University of Michigan

Angewandtes maschinelles Lernen in Python

311.013 bereits angemeldet

Enthalten inCoursera Plus

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.6

(8,514 Bewertungen)

Stufe Mittel
Einige einschlägige Kenntnisse erforderlich
Flexibler Zeitplan
Ca. 31 Stunden
In Ihrem eigenen Lerntempo lernen
92%
Den meisten Lernenden gefiel dieser Kurs
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
4.6

(8,514 Bewertungen)

Stufe Mittel
Einige einschlägige Kenntnisse erforderlich
Flexibler Zeitplan
Ca. 31 Stunden
In Ihrem eigenen Lerntempo lernen
92%
Den meisten Lernenden gefiel dieser Kurs

Was Sie lernen werden

  • Beschreiben Sie, wie sich maschinelles Lernen von deskriptiver Statistik unterscheidet

  • Datencluster erstellen und auswerten

  • Erklären Sie verschiedene Ansätze zur Erstellung von Vorhersagemodellen

  • Erstellen Sie Funktionen, die den Analyseanforderungen entsprechen

Kompetenzen, die Sie erwerben

  • Kategorie: Python-Programmierung
  • Kategorie: Algorithmen für maschinelles Lernen (ML)
  • Kategorie: Maschinelles Lernen
  • Kategorie: Scikit-Learn

Wichtige Details

Erwerben Sie ein Karrierezertifikat.

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

4 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Platzhalter

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung Angewandte Datenwissenschaft mit Python
Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.
  • 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
Platzhalter
Platzhalter

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.

Platzhalter

In diesem Kurs gibt es 4 Module

Dieses Modul führt Sie in die grundlegenden Konzepte, Aufgaben und Arbeitsabläufe des maschinellen Lernens anhand eines Klassifizierungsproblems ein, das auf der K-nearest neighbors-Methode basiert und mit der Bibliothek scikit-learn implementiert wurde.

Das ist alles enthalten

7 Videos4 Lektüren1 Aufgabe1 Programmieraufgabe1 Unbewertetes Labor

Dieses Modul befasst sich mit einer größeren Vielfalt an Methoden des überwachten Lernens sowohl für die Klassifizierung als auch für die Regression. Sie lernen etwas über den Zusammenhang zwischen Modellkomplexität und Verallgemeinerungsleistung, die Bedeutung der richtigen Skalierung von Merkmalen und die Kontrolle der Modellkomplexität durch Anwendung von Techniken wie der Regularisierung, um eine Überanpassung zu vermeiden. Zusätzlich zu k-nearest neighbors werden in dieser Woche die lineare Regression (kleinste Quadrate, Ridge, Lasso und polynomiale Regression), die logistische Regression, Support Vector Machines, die Verwendung der Kreuzvalidierung für die Modellbewertung und Entscheidungsbäume behandelt.

Das ist alles enthalten

13 Videos2 Lektüren1 Aufgabe1 Programmieraufgabe2 Unbewertete Labore

Dieses Modul behandelt Bewertungs- und Modellauswahlmethoden, die Ihnen helfen können, die Leistung Ihrer Modelle für maschinelles Lernen zu verstehen und zu optimieren.

Das ist alles enthalten

8 Videos2 Lektüren1 Aufgabe1 Programmieraufgabe1 Unbewertetes Labor

Dieses Modul deckt fortgeschrittenere Methoden des überwachten Lernens ab, darunter Ensembles von Bäumen (Random Forests, Gradient Boosted Trees) und neuronale Netzwerke (mit einer optionalen Zusammenfassung über Deep Learning). Außerdem lernen Sie das kritische Problem des Datenverlusts beim maschinellen Lernen kennen und erfahren, wie Sie es erkennen und vermeiden können.

Das ist alles enthalten

10 Videos13 Lektüren1 Aufgabe1 Programmieraufgabe2 Unbewertete Labore

Dozent

Lehrkraftbewertungen
4.4 (870 Bewertungen)
Kevyn Collins-Thompson
University of Michigan
4 Kurse312.032 Lernende

von

Empfohlen, wenn Sie sich für Datenanalyse interessieren

Bereiten Sie sich auf einen Abschluss vor.

Wenn Sie Kurs von University of Michigan absolvieren, erhalten Sie möglicherweise eine Vorschau der Themen, Materialien und Lehrkräfte für einen verwandten Studiengang. So können Sie besser einschätzen, ob das Thema oder die Universität die richtige Wahl für Sie wäre.

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

Zeigt 3 von 8514

4.6

8.514 Bewertungen

  • 5 stars

    71,66 %

  • 4 stars

    20,98 %

  • 3 stars

    4,89 %

  • 2 stars

    1,18 %

  • 1 star

    1,26 %

JL
5

Geprüft am 19. Aug. 2018

FL
5

Geprüft am 13. Okt. 2017

MB
5

Geprüft am 18. Juni 2017

Platzhalter

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – 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