Coursera

Представление

Прочетете официалното описание

Нашата мисия

Корсера е образователна платформа, която си партнира с най-добрите университети и организации по целия свят, да се предлагат онлайн курсове за всеки, да се предприемат, за безплатно.

Ние си представим бъдеще, в което всеки има достъп до образование на световно ниво. Нашата цел е да даде възможност на хората с образование, които ще подобрят живота си, живота на техните семейства и на общностите, в които живеем.

Как работи

Открийте курс и да се запишете днес

Изберете от 400 + курсове, създадени от най-добрите образователни институции в света.

Научете се на собствения си график

Гледайте кратки видео лекции, да вземе интерактивни викторини, пълни връстници подбрани оценки, и да се свържете с съученици и учители.

Постигане на целите си

Завършете вашия клас и получават признание за вашия постижение.

Нашият подход

Опитът Корсера

Толкова е просто. Ние искаме да помогнем на учениците да се научат по-добре - и по-бързо. Ето защо ние създадохме нашата платформа се основава на доказани методи на преподаване проверени от водещи изследователи. Тук са четири основни идеи, които са влиятелни в оформянето на нашата визия:

Ефективност на онлайн обучение

Онлайн обучение играе важна роля в обучението през целия живот. В действителност, един от последните доклади от Министерството на образованието на САЩ установи, че "класове с онлайн обучение (дали преподава изцяло онлайн или смесен) средно произвеждат по-силни резултати на студентите за учене, отколкото класове с единствено лице в лице обучение."

Mastery обучение

Въз основа на подход, разработен от образователната психолог Бенджамин Блум, Mastery Learning помага на учениците да разбират напълно тема, преди да преминат към по-напреднал тема. На Корсера, ние обикновено дават незабавна обратна връзка за концепция студент не разбирам. В много случаи, ние предлагаме рандомизирани версии на заданието така студент може повторно проучване и отново се опита домашна работа.

Партньорските оценки

В много курсове, най-значими задачи не могат да бъдат лесно оценени от компютър. Ето защо ние използваме оценки връстници, където студентите могат да оценяват и да предоставят обратна информация за работата на другите. Тази техника е доказано в много изследвания, за да доведе до точна обратна информация за студента и ценен опит за обучение на грейдер.

Смесеното обучение

Много от нашите партньорски институции ползвате нашето онлайн платформа, за да предоставят на своите ученици на колежа с подобрен живот опит. Този смесен модел на обучение е доказана в проучвания за увеличаване на студентската ангажираност, обслужване и изпълнение.

Тук се предлагат програми по:
  • Английски

Преглед на курсове »

Програми

Това училище също предлага:

Курсове

Разбира се в машинно обучение (междинен)

Online Задочна/вечерна форма Отворено кандидатстване Съединени Американски Щати USA Online

Тази специализация предвижда въвеждане на съдебната базирани на вълнуващо, високо търсене областта на машинно обучение на. Ще научите за анализиране на големи и сложни набори от данни, изграждане на приложения, които могат да правят предвиждания от данни, както и да създаде системи, които се адаптират и да се подобри с течение на времето. [+]

Тази специализация предвижда въвеждане на съдебната базирани на вълнуващо, високо търсене областта на машинно обучение на. Ще научите за анализиране на големи и сложни набори от данни, изграждане на приложения, които могат да правят предвиждания от данни, както и да създаде системи, които се адаптират и да се подобри с течение на времето. В последния проект Capstone, ще се прилагат уменията си за решаване на оригинал, в реалния свят проблем чрез прилагане на машинно обучение алгоритми. Курсове Машинно обучение Основи: подход Case Study Имате ли данни и се чудя какво да ви кажа? Имате ли нужда от по-дълбоко разбиране на основните начини, по които машинно обучение могат да подобрят бизнеса си? Искате ли да бъде в състояние да разговаря със специалисти за нищо от регресия и класификация на дълбоки учене и препоръчване на системи? В този курс, вие ще получите практически опит с машинно обучение от поредица от практически казуси. В края на първия курс ще са учили как да се предскаже цените на жилищата на базата на характеристики къща ниво, анализира настроения от потребителски мнения, извличане на документи, представляващи интерес, препоръчваме продукти, и търсене на изображения. Чрез ръцете на практика с тези случаи на употреба, ще бъде в състояние да прилага методи за машинно обучение в широк спектър от области. Този първи курс третира метода на обучение машина като черна кутия. Използването на тази абстракция, ще се фокусира върху разбирането задачи на интереси, отговаряща на тези задачи до инструменти за машинно обучение, както и оценка на качеството на продукцията. В следващите курсове, ще се рови в компонентите на тази черна кутия, като разглежда модели и алгоритми. Взети заедно, тези парчета образуват газопровода машинно обучение, което ще се използва при разработването на интелигентни приложения. Придобиват До края на този курс, вие ще бъдете в състояние да: - идентифициране на потенциалните приложения на машинно обучение в практиката. - Опишете основните разлики в анализи позволиха чрез регресия, класификация и групиране. - Изберете подходящата задача машинно обучение за потенциално приложение. - Прилагане на регресия, класификация, групиране, извличане, за препоръчване на системи, и дълбоко учене. - Представлява вашите данни като разполага да служат като вход за машинно обучение модели. - Оценка на качеството на модел от гледна точка на съответните показатели за грешки за всяка задача. - Да използвам набор от данни, за да се поберат на модел за анализ на нови данни. - Изграждане на молба от край до край, който използва машинно обучение в същността си. - Прилагане на тези техники в Python. Machine Learning: Регресия Казус - Прогнозиране Цените на жилищата В първия ни казус, предсказване на цените на жилищата, ще създаде модели, които предсказват непрекъсната стойност (цена) от входните функции (квадратен метър, брой спални и бани, ...). Това е само едно от многото места, където могат да се прилагат регресия. Други приложения варират от предсказване на здравните резултати в областта на медицината, цените на акциите в областта на финансите, както и консумацията на енергия в високопроизводителни изчисления, за анализиране на които регулаторните органи са важни за генна експресия. В този курс, вие ще проучи узаконени линейни регресионни модели за задачата на предсказване и селекция функция. Вие ще бъдете в състояние да се справят с много големи набори от функции и изберете между модели с различна сложност. Вие също така ще анализира въздействието на аспекти на вашите данни - като например големите различия - на избраните от Вас модели и прогнози. За да се поберат тези модели, ще изпълнява оптимизационни алгоритми, които се мащабират до големи масиви от данни. Придобиват До края на този курс, вие ще бъдете в състояние да: - Опишете входа и на изхода на модел на регресия. - Сравняват и съпоставят пристрастия и отклонения при моделиране на данни. - Оценка на параметрите на модела с използване на алгоритми за оптимизация. - Настройте параметрите с кръстосано валидиране. - Анализ на работата на модела. - Опишете идеята за оскъдица и как ласо води до откъслечни решения. - Разполагане методи, за да изберете между модели. - Подвиг модела за образуване на прогнози. - Изграждане на регресионен модел за предсказване на цените с помощта на жилища набор от данни. - Прилагане на тези техники в Python. Machine Learning: Класификация Казуси: Анализиране Sentiment & Loan Default Прогнози В нашия казус по анализиране настроения, ще се създадат модели, които прогнозират клас (положителен / отрицателен настроения) от входните функции (текст на мнения, профила на потребителя информация, ...). В нашия втори казус за това, разбира се, заем подразбиране прогнози, че ще се справи с финансовите данни, и се предскаже кога заем е вероятно да бъде рисковано или безопасни за банката. Тези задачи са примери за класификация, един от най-широко използваните области на машинно обучение, с широк спектър от приложения, включително реклама насочване, откриване на спам, медицинска диагноза и класификация на изображението. В този курс, вие ще създадете класификатори, които предоставят състоянието на най-съвременните изпълнение на различни задачи. Вие ще се запознаете с най-успешните техники, които са най-широко използваните в практиката, включително логистична регресия, дървета на решения и повишаване. В допълнение, ще бъде в състояние да разработи и приложи основните алгоритми, които могат да се научат тези модели в мащаб, използвайки стохастичен изкачване градиент. Вие ще приложат тези техники на реалния свят, мащабни задачи за машинно обучение. Вие също така ще бъдат обхванати значителни задачи, които ще се изправят в реалния свят приложения на ML, включително обработка на липсващи данни и точност на измерване и припомни за оценка на даден класификатор. Това разбира се е практически, екшън, и пълен с визуализации и илюстрации на това как тези техники ще се държат на реални данни. Включили сме и избор на съдържание във всеки модул, който обхваща теми за напреднали за тези, които искат да отидат още по-дълбоко! Учебни цели: До края на този курс, вие ще бъдете в състояние да: - Опишете входа и на изхода на модел на класификация. - Справяне с двете двоични и multiclass проблеми класификация. - Прилагане на логистичен регресионен модел за класифициране в голям мащаб. - Създаване на нелинеен модел с помощта на решения дървета. - Подобряване на работата на всеки модел, използвайки стимулиране. - Scale методи си с стохастичен градиент на изкачване. - Опишете основните границите на решението. - Изграждане на модел класификация да се предскаже настроения в данните мнение продукт. - Анализ на финансовите данни, за да се предскаже заем по подразбиране. - Използвайте техники за обработка на липсващи данни. - Оценка на вашите модели, използвайки прецизно изземване показатели. - Прилагане на тези техники в Python (или в избрания от вас език, макар и Python е силно препоръчително). Machine Learning: Групиране & Retrieval Казуси: Намирането на подобни документи Читателят се интересува от конкретна статия и искате да намерите подобни артикули за да се препоръча. Какво е правилното понятие за сходство? Освен това, какво ще стане ако има милиони други документи? Всеки път, когато искате да апортира нов документ, ти трябва да се търси чрез всички други документи? Как да правите групови подобни документи заедно? Как да откриете нови, развиващи се теми, че документите се отнасят? В тази трета казус, намирането на подобни документи, ще разгледа подобие на базата на алгоритми за извличане. В това, разбира се, вие също така ще разгледа структурирани представителства за описване на документите в корпуса, включително клъстери и смесени модели за членство, като латентна Дирихле разпределение (LDA). Вие ще изпълни очакванията максимизиране (EM), за да се научат clusterings на документа, и да видим как да мащаб методите с използване MapReduce. Придобиват До края на този курс, вие ще бъдете в състояние да: - Създаване на система за извличане на документ с помощта на к-близките съседи. - Идентифициране на различни подобие показатели за текстови данни. - Намаляване на изчисления в к-близкия търсене съсед с помощта KD-дървета. - Изработване приблизителни-близките съседи, използващи чувствителни местност хеширане. - Сравняват и съпоставят контролираните и неконтролирани задачи за учене. - Касетъчните документи по темата с помощта на к-средства. - Опишете как да паралелизация к-средства, използвайки MapReduce. - Проучване на вероятностни подходи клъстери със смеси модели. - Поставете смес от Gaussian модел, използвайки очакване максимизиране (EM). - Извършване на смесена моделиране членство използване латентна Дирихле разпределение (LDA). - Опишете стъпките на един семплер Гибс и как да се използват резултатите от дейността си, за да се направи заключение. - Сравнете и контраст инициализация техники за цели извън изпъкнали оптимизация. - Прилагане на тези техники в Python. Machine Learning: препоръчване Systems & измеренията Reduction Case Study: препоръчване Продукти Как Amazon препоръча продукти може да се интересувате от закупуване? Как Netflix реши кои филми или телевизионни предавания, може да искате да гледате? Какво става, ако сте нов потребител, трябва да Netflix само да препоръча най-популярните филми? Кой може да ви се образува нова връзка с по Facebook или LinkedIn? Тези въпроси са ендемични за повечето отрасли на услуги базирани, и са в основата на идеята за съвместна филтриране и системите за препоръчване, разгърнати за решаване на тези проблеми. В този четвърти казус, ще изследват тези идеи в контекста на препоръчване продукти на базата на потребителски мнения. В този курс, вие ще проучи техники за намаляване на размерността за моделиране високи двумерен данни. В случай на препоръчване системи, данните ви са представени като отношенията потребител-продуктови, с потенциално милиони потребители и стотици хиляди продукти. Вие ще изпълнява матрица на множители и латентни модели фактор за изпълнение на задачата за прогнозиране на нови взаимоотношения потребителя на продукта. Можете също така ще използва странична информация за продукти и на потребителите да подобрят прогнози. Придобиват До края на този курс, вие ще бъдете в състояние да: - Създаване на съвместна система за филтриране. - Намаляване на размерност на данни с използване на SVD, СПС, и произволни прогнози. - Извършване на матрица на множители използвайки координира спускане. - Разполагане на латентни модели фактор като система за препоръчване. - Дръжка за старт проблема студена използване странична информация. - Проучване на молба препоръка продукт. - Прилагане на тези техники в Python. Machine Learning Capstone: An Intelligent Application с Deep Learning Чудили ли сте се как е построил за препоръчване на продукта? Как можете да заключим основната настроения от коментари? Как можете да извлечете информация от изображения, за да открие визуално-сходни продукти, за да се препоръча? Как ви се изгради приложение, което прави всички тези неща в реално време, и осигурява челен опит на потребителя? Това е, което ще се изгради в този курс! Използвайки това, което сте научили за машинно обучение до този момент, ще се изгради обща система продукт за препоръчване, че прави много повече от това просто да намерите подобни продукти Вие ще комбинира снимки на продукти с описания на продуктите и техните мнения, за да се създаде един наистина иновативен интелигентно приложение. Вероятно сте чували, че Deep Learning прави новини в целия свят като един от най-обещаващите техники в машинно обучение, особено за анализиране на данни с изображения. С всяка индустрия предвиждане на средства за отключване на дълбоко потенциал обучение, за да бъдат конкурентоспособни, вие ще искате да използвате тези модели в задачи като маркиране на изображението, разпознаване на обекти, разпознаване на реч, и анализ на текст. В този Capstone, ще се изгради дълбоки модели за обучение с помощта на невронни мрежи, проучи какви са те, какво правят и как. За да се премахне бариерата, въведена с проектиране, обучение, и тунинг мрежи, както и да бъде в състояние да постигне висока производителност с по-малко етикетирани данни, вие също ще се изгради дълбоки класификатори за обучение, съобразени с вашата конкретна задача с помощта на предварително обучени модели, които ние наричаме дълбоки функции , Като основна част от тази Capstone проект, ще се приложи дълбоко модел обучение за изображение на базата на препоръка продукт. След това ще комбинирате визуален модел с текстови описания на продукти и информация от мнения за изграждане на едно вълнуващо, от край до край интелигентно приложение, което осигурява нов опит откритие продукт. След това ще го разгърне като услуга, която можете да споделите с приятелите си и потенциални работодатели. Придобиват До края на тази Capstone, ще можете да: - Изследване на набор от данни на продукта, ревюта и снимки. - Изграждане на препоръчване на продукта. - Опишете как е представен модел на невронна мрежа и как да го кодира нелинейни функции. - Комбинирайте различни видове слоеве и активиращи функции да се получи по-добра производителност. - Използване pretrained модели, като например дълбоки функции, за нови задачи за класификация. - Опишете как тези модели могат да бъдат приложени в компютърно зрение, анализи на текст и разпознаване на реч. - Използвайте визуални характеристики, за да намерите продуктите на потребителите си искат. - Включване на преглед настроения в препоръката. - Изграждане на молба от край до край. - Неговото използване като услуга. - Прилагане на тези техники в Python. [-]

За контакти
Адрес на мястото
USA Online, US