University of Colorado Boulder
Trees, SVM and Unsupervised Learning

Diese kurs ist nicht verfügbar in Deutsch (Deutschland)

Wir übersetzen es in weitere Sprachen.
University of Colorado Boulder

Trees, SVM and Unsupervised Learning

Bei Coursera Plus enthalten

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

Empfohlene Erfahrung

Es dauert 12 Stunden
3 Wochen bei 4 Stunden pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
Stufe Mittel

Empfohlene Erfahrung

Es dauert 12 Stunden
3 Wochen bei 4 Stunden pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen

Was Sie lernen werden

  • Describe the advantages and disadvantages of trees, and how and when to use them.

  • Apply SVMs for binary classification or K > 2 classes.

  • Analyze the strengths and weaknesses of neural networks compared to other machine learning algorithms, such as SVMs.

Kompetenzen, die Sie erwerben

  • Kategorie: Statistics
  • Kategorie: Unsupervised Learning
  • Kategorie: regression
  • Kategorie: Trees
  • Kategorie: Support Vector Machine (SVM)

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Platzhalter

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung Statistical Learning for Data Science
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

The module provides an introductory overview of the course and introduces the course instructor.

Das ist alles enthalten

1 Video2 Lektüren1 Diskussionsthema

To begin the course, we will learn about support vector machines (SVMs). SVMs have become a popular method in the field of statistical learning due to their ability to handle non-linear and high-dimensional data. SVMs seek to maximize the margin, or distance between the decision boundary and the closest data points, to improve generalization performance. Throughout the week, you will learn how to apply SVMs to classify or predict outcomes in a given dataset, select appropriate kernel functions and parameters, and evaluate model performance

Das ist alles enthalten

4 Videos1 Lektüre1 Programmieraufgabe1 Unbewertetes Labor

Neural Networks have become increasingly popular in the field of statistical learning due to their ability to model complex relationships in data. In this module, we will cover introductory concepts of neural networks, such as activation functions and backpropagation. You will have the opportunity to apply Neural Networks to classify or predict outcomes in a given dataset and evaluate model performance in the labs for this module.

Das ist alles enthalten

5 Videos1 Lektüre1 Programmieraufgabe

Welcome to the final module for the course. This module will focus on the ensemble methods decision trees, bagging, and random forests, which combine multiple models to improve prediction accuracy and reduce overfitting. Decision Trees are a popular machine learning method that partitions the feature space into smaller regions and models the response variable in each region using simple rules. However, Decision Trees can suffer from high variance and instability, which can be addressed by Bagging and Random Forests. Bagging involves generating multiple trees on bootstrapped samples of the data and averaging their predictions, while Random Forests further decorrelate the trees by randomly selecting subsets of features for each tree.

Das ist alles enthalten

1 Video1 Lektüre1 Programmieraufgabe1 Unbewertetes Labor

Dozent

Osita Onyejekwe
University of Colorado Boulder
5 Kurse1.504 Lernende

von

Empfohlen, wenn Sie sich für Probability and Statistics interessieren

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.“
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