Dieser Kurs führt den Lernenden in das angewandte maschinelle Lernen ein, wobei der Schwerpunkt eher auf den Techniken und Methoden als auf den Statistiken hinter diesen Methoden liegt. Der Kurs beginnt mit einer Diskussion darüber, wie sich maschinelles Lernen von deskriptiver Statistik unterscheidet, und stellt das scikit learn toolkit anhand eines Tutorials vor. Das Problem der Dimensionalität von Daten wird erörtert und die Aufgabe, Daten zu clustern sowie diese Cluster auszuwerten, wird in Angriff genommen. Es werden überwachte Ansätze für die Erstellung von Vorhersagemodellen beschrieben, und die Teilnehmer werden in der Lage sein, die scikit learn Methoden zur Vorhersagemodellierung anzuwenden und gleichzeitig die mit der Verallgemeinerbarkeit von Daten verbundenen Probleme zu verstehen (z.B. Kreuzvalidierung, Overfitting). Der Kurs endet mit einem Blick auf fortgeschrittenere Techniken, wie z.B. die Bildung von Ensembles, und auf die praktischen Grenzen von Vorhersagemodellen. Am Ende dieses Kurses werden die Teilnehmer in der Lage sein, den Unterschied zwischen einer überwachten (Klassifizierung) und einer unüberwachten (Clustering) Technik zu erkennen, festzustellen, welche Technik sie für einen bestimmten Datensatz und Bedarf anwenden müssen, Merkmale zu entwickeln, um diesen Bedarf zu decken, und Python-Code zu schreiben, um eine Analyse durchzuführen.
Schenken Sie Ihrer Karriere Coursera Plus mit einem Rabatt von $160 , der jährlich abgerechnet wird. Sparen Sie heute.
Angewandtes maschinelles Lernen in Python
Dieser Kurs ist Teil von Spezialisierung Angewandte Datenwissenschaft mit Python
Dozent: Kevyn Collins-Thompson
311.660 bereits angemeldet
Bei enthalten
(8,514 Bewertungen)
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
Zu Ihrem LinkedIn-Profil hinzufügen
4 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
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
Empfohlen, wenn Sie sich für Datenanalyse interessieren
Arizona State University
University of Michigan
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?
Bewertungen von Lernenden
Zeigt 3 von 8514
8.514 Bewertungen
- 5 stars
71,65 %
- 4 stars
20,98 %
- 3 stars
4,89 %
- 2 stars
1,18 %
- 1 star
1,27 %
Geprüft am 13. Okt. 2017
Geprüft am 19. Aug. 2018
Geprüft am 14. Aug. 2019
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
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.