Coursera

Introduction

Read the Official Description

Наша місія

Coursera з'яўляецца адукацыйная платформа, якая ў партнёрстве з найбуйнейшымі універсітэтамі і арганізацыямі па ўсім свеце, каб прапанаваць курсы онлайн для тых, хто ўзяць, бясплатна.

Мы бачым будучыню, дзе кожны мае доступ да сусветнага класа адукацыі. Мы нацэлены на пашырэнне магчымасцяў людзей з адукацыяй, якія палепшаць іх жыццё, жыццё іх сем'яў і абшчын, яны жывуць у.

Як гэта працуе

Адкрыйце для сябе курс і зарэгістравацца сёння

Абярыце з 400 + курсы, створаных лепшых навучальных устаноў свету.

Даведайцеся на свой уласны графік

Глядзець кароткія відэа лекцыі, прымаць інтэрактыўныя віктарыны, поўныя аднагодкаў ацэньваюцца адзнак, і злучыцца з аднакласнікамі і настаўнікамі.

Дасягнуць сваіх мэтаў

Завершыце свой клас і атрымліваць прызнанне за свае дасягненні.

Наш падыход

Вопыт Coursera

Гэта проста. Мы хочам, каб дапамагчы студэнтам навучыцца лепш - і хутчэй. Вось чаму мы распрацавалі нашу платформу на аснове правераных метадаў навучання, правераных лепшых даследчыкаў. Вось 4 асноўныя ідэі, якія аказалі значны ўплыў на фарміраванне нашага бачання:

Эфектыўнасць навучання ў рэжыме онлайн

Онлайн навучанне гуляе важную ролю на працягу ўсяго жыцця адукацыі. На самай справе, у нядаўнім дакладзе амерыканскага Міністэрства адукацыі ўстаноўлена, што "класы з онлайн-навучання (будзь выкладаў цалкам онлайн або змешаны), у сярэднім вырабляюць моцныя вынікаў навучання, чым зрабіць класы з адзіным тварам да твару інструкцыі."

Майстэрства навучання

На аснове падыходу, распрацаванага адукацыйнага псіхолага Бенджаміна Блюма, Майстэрства навучання дапамагае студэнтам у поўнай меры зразумець тэму, перш чым перайсці на больш прасунутай тэму. На Coursera, мы, як правіла, даюць неадкладную зваротную сувязь аб канцэпцыі студэнт не зразумеў. У многіх выпадках, мы прадстаўляем рандомізірованный версіі саступкі так студэнт можа паўторна даследаванне і зноў паспрабаваць хатняе заданне.

Ацэнкі аднагодкаў

У многіх курсаў, найбольш значныя заданні не могуць быць лёгка ацэньваюцца з дапамогай кампутара. Вось чаму мы выкарыстоўваем ацэнкі аднагодкаў, дзе студэнты могуць ацаніць і забяспечыць зваротную сувязь аб працы адзін аднаго. Гэтая тэхніка была паказана ў многіх даследаваннях, прывядзе да дакладнай зваротнай сувязі для студэнта і каштоўны вопыт для грэйдэра.

Змяшанае навучанне

Многія з нашых устаноў-партнёраў з дапамогай нашай онлайн-платформай для забеспячэння іх на кампусе студэнтаў з палепшанай вопыт. Гэта змешаны мадэль навучання паказаў у даследаваннях па павышэнню студэнт заручальны, наведвальнасць і прадукцыйнасць.

This school offers programs in:
  • англійская

Праглядзець курсы »

Programs

This school also offers:

курс

Вядома, у машынным навучанні (прамежкавы)

Анлайн Вочна-завочна 8 месяца Open Enrollment Злучаныя Штаты Амерыкі ЗША Інтэрнэт

Гэтая спецыялізацыя прадугледжвае ўвядзенне выпадак, заснаванага на захапляльнае, высокім попытам галіне машыннага навучання. Вы навучыцеся аналізаваць вялікія і складаныя наборы дадзеных, ствараць прыкладанні, якія могуць рабіць прагнозы на аснове дадзеных, а таксама ствараць сістэмы, якія адаптуюцца і паляпшацца з цягам часу. [+]

Гэтая спецыялізацыя прадугледжвае ўвядзенне выпадак, заснаванага на захапляльнае, высокім попытам галіне машыннага навучання. Вы навучыцеся аналізаваць вялікія і складаныя наборы дадзеных, ствараць прыкладанні, якія могуць рабіць прагнозы на аснове дадзеных, а таксама ствараць сістэмы, якія адаптуюцца і паляпшацца з цягам часу. У канчатковым праекце Capstone, вы будзеце прымяняць свае навыкі, каб вырашыць арыгінальную, рэальную праблему шляхам рэалізацыі алгарытмаў машыннага навучання. Курсы Machine Learning Асновы: Падыход Прыклад Ці ёсць у вас дадзеныя і цікава, што ён можа сказаць вам? вам неабходна больш глыбокае разуменне асноўных спосабаў, у якіх машыннага навучання можа палепшыць свой бізнэс? Вы хочаце, каб мець магчымасць мець зносіны са спецыялістамі пра што-небудзь ад рэгрэсіі і класіфікацыі да глыбокіх навучання і рэкамендацыйных сістэмы? У гэтым курсе, вы атрымаеце практычны досвед працы з машыннага навучання з серыі практычных тэматычных даследаванняў. У канцы першага курса вы вывучалі, як прадказаць цэны на жыллё, заснаваныя на асаблівасцях дома на ўзроўні, аналізаваць настрою ад водгукаў карыстальнікаў, атрымаць дакументы, якія прадстаўляюць інтарэс, рэкамендуюць прадукты, і пошук малюнкаў. З дапамогай практычных практыцы з гэтымі варыянтамі выкарыстання, вы будзеце мець магчымасць прымяняць метады машыннага навучання ў шырокім дыяпазоне абласцей. Гэта першы курс ставіцца метад машыннага навучання як чорны скрыню. З дапамогай гэтай абстракцыі, вы будзеце засяродзіцца на разуменні задач, якія ўяўляюць цікавасць, адпаведнасць гэтых задач машыннага навучання інструментаў, а таксама ацэнкі якасці прадукцыі. У наступных курсах, вы будзеце ўнікаць у кампаненты гэтага чорнага скрыні шляхам вывучэння мадэляў і алгарытмаў. Разам гэтыя часткі ўтвараюць машыннага навучання трубаправода, які вы будзеце выкарыстоўваць пры распрацоўцы інтэлектуальных прыкладанняў. Вынікаў навучання: Да канца гэтага курса вы зможаце: - вызначыць патэнцыйныя магчымасці прымянення машыннага навучання на практыцы. - Апішыце асноўныя адрозненні ў аналізах забяспечваных рэгрэсіі, класіфікацыі і кластарызацыі. - Абярыце неабходную машыну навучання задачу для патэнцыйнага прымянення. - Ужыць рэгрэсіі, класіфікацыі, кластарызацыі, пошуку, рэкамендацыйных сістэм, і глыбокае вывучэнне. - Уявіць дадзеныя ў выглядзе функцыі, каб служыць у якасці ўваходных дадзеных для машыннага навучання мадэляў. - Ацэнка якасці мадэлі з пункту гледжання адпаведных метрык памылак для кожнай задачы. - Выкарыстанне набору дадзеных, каб падабраць мадэль для аналізу новых дадзеных. - Пабудаваць прыкладанне з канца ў канец, які выкарыстоўвае машыннае навучанне ў яго ядры. - Укараненне гэтых метадаў у Python. Машыннае навучанне: рэгрэс Case Study - Прадказанне Цэны на жыллё У нашым першым даследаванні выпадку, прагназавання цэн на жыллё, вы будзеце ствараць мадэлі, якія прадказваюць бесперапыннае значэнне (кошт) ад ўваходных функцый (квадратныя метры, колькасць спальняў і ванных пакояў, ...). Гэта толькі адзін з многіх месцаў, дзе могуць быць ужытыя рэгрэсіі. Іншыя прыкладання вар'іруюцца ад прагназавання вынікаў аховы здароўя ў медыцыне, цэны на акцыі ў галіне фінансаў, а таксама спажыванне энергіі ў вобласці высокапрадукцыйных вылічэнняў, для аналізу якіх рэгулятары з'яўляюцца важнымі для экспрэсіі генаў. У гэтым курсе вы будзеце вывучаць регуляризованные мадэлі лінейнай рэгрэсіі для вырашэння задачы прагназавання і адбору прыкмет. Вы будзеце мець магчымасць працаваць з вельмі вялікімі наборамі функцый і выбраць паміж мадэлямі рознай складанасці. Вы таксама аналізаваць ўплыў аспектаў вашых дадзеных - такіх, як выкіды - на некаторых вашых мадэляў і прадказанняў. Каб падагнаць гэтыя мадэлі, вы будзеце рэалізоўваць алгарытмы аптымізацыі, якія маштабуюцца да вялікіх набораў дадзеных. Вынікаў навучання: Да канца гэтага курса вы зможаце: - апісваць ўваходныя і выходныя дадзеныя мадэлі рэгрэсіі. - Параўнайце і супастаўце зрушэнне і дысперсію пры мадэляванні дадзеных. - Ацаніць параметры мадэлі з выкарыстаннем алгарытмаў аптымізацыі. - Параметры гармануюць з крыжаванай праверкі. - Аналіз характарыстык мадэлі. - Апішыце паняцце разрэджанасці і як ласо прыводзіць да разрэджаных рашэнняў. - Разгортванне метадаў для выбару паміж мадэлямі. - Exploit мадэль для фарміравання прагнозаў. - Пабудова Рэгрэсійная мадэлі для прагназавання цэн з дапамогай жыллёвага масіва дадзеных. - Укараненне гэтых метадаў у Python. Машыннае навучанне: Класіфікацыя Прыклады: Аналіз Sentiment і незвароту крэдыту Прагноз У нашым выпадку даследаванні па аналізе настрою, вы будзеце ствараць мадэлі, прагназуюць клас (станоўчы / адмоўны) ад настрою ўваходных функцый (тэкст аглядаў, профіль карыстальніка інфармацыя, ...). У нашым другім прыкладзе для гэтага курса, прадказанне крэдыту па змаўчанні, вы будзеце вырашаць фінансавыя дадзеныя, і прадказаць, калі крэдыт можа быць рызыкоўным і бяспечным для банка. Гэтыя задачы з'яўляюцца прыкладамі класіфікацыі, адна з найбольш шырока выкарыстоўваюцца абласцей машыннага навучання з шырокім наборам прыкладанняў, у тым ліку рэкламнага таргетынгу, выяўлення спаму, медыцынскай дыягностыцы і класіфікацыі малюнкаў. У гэтым курсе вы будзеце ствараць класіфікатары, якія забяспечваюць укаранёны прадукцыйнасць розных задач. Вы пазнаёміцеся з найбольш паспяховых метадаў, якія найбольш шырока выкарыстоўваюцца на практыцы, у тым ліку лагістычнай рэгрэсіі, дрэў рашэнняў і павышэння. Акрамя таго, вы будзеце мець магчымасць распрацаваць і рэалізаваць асноўныя алгарытмы, якія могуць вывучыць гэтыя мадэлі ў маштабе, з выкарыстаннем стахастычнага градыенту ўздым. Вы будзеце рэалізоўваць гэтыя методыкі на рэальных буйнамаштабных задач машыннага навучання. Вы таксама вырашаць значныя задачы вы будзеце сутыкацца ў рэальных прыкладаннях ML, уключаючы апрацоўку адсутнічаюць дадзеных і дакладнасці вымярэнняў і ўспомніць, каб ацаніць класіфікатар. Гэты курс з'яўляецца практычным, футурыстычным, і поўныя візуалізацыі і ілюстрацыі таго, як гэтыя метады будуць паводзіць сябе на рэальных дадзеных. Мы таксама ўключылі дадатковы кантэнт у кожным модулі, якія ахопліваюць складаныя тэмы для тых, хто хоча пайсці яшчэ глыбей! Задачы навучання: Да канца гэтага курса вы зможаце: - апісваць ўваходныя і выходныя дадзеныя мадэлі класіфікацыі. - Займіцеся абодва бінарных і мультиклассируют задач класіфікацыі. - Укараненне мадэлі лагістычнай рэгрэсіі для буйнамаштабнай класіфікацыі. - Стварыць нелінейную мадэль з выкарыстаннем дрэў рашэнняў. - Павышэнне прадукцыйнасці любой мадэлі з дапамогай павышэння. - Маштабаваць метады з стахастычнага градыенту ўздыму. - Апішыце мяжы рашэнні, якія ляжаць у аснове. - Пабудаваць мадэль класіфікацыі, каб прадказаць настроі ў наборы дадзеных агляду прадукту. - Аналіз фінансавых дадзеных для прагназавання дэфолтаў па крэдытах. - Выкарыстанне метадаў для апрацоўкі адсутнічаюць дадзеных. - Ацэніце свае мадэлі з дапамогай метрыкі прэцызійныя водгуку. - Укараненне гэтых метадаў у Python (або на мове па вашаму выбару, хоць Python настойліва рэкамендуецца). Машыннае навучанне: кластарызацыя і індэксаванне Прыклады: Пошук аналагічных дакументаў A чытача зацікаўлены ў канкрэтнай артыкуле навін, і вы хочаце, каб знайсці падобныя артыкулы, каб рэкамендаваць. Што такое правільнае ўяўленьне падабенства? Акрамя таго, што, калі ёсць мільёны іншых дакументаў? Кожны раз, калі вы хочаце, каб працэс аднаўлення новага дакумента, вам трэба шукаць праз усе іншыя дакументы? Як групаваць аналагічныя дакументы разам? Як вы выявіце новыя, новыя тэмы, якія ахопліваюць дакументы? У дадзеным даследаванні трэцім выпадку, знайсці аналагічныя дакументы, вы будзеце вывучаць алгарытмы падабенства на аснове для пошуку. У гэтым курсе вы будзеце таксама вывучыць структураваныя прадстаўлення для апісання дакументаў у корпусе, у тым ліку кластарызацыю і змешаныя сяброўства мадэлі, такія як латэнтнай размеркавання Дирихле (LDA). Вы будзеце рэалізоўваць чакання максімізацыю (EM), каб вывучыць кластарызацыю дакументаў, і паглядзець, як маштабаваць метады з выкарыстаннем MapReduce. Вынікаў навучання: Да канца гэтага курса, вы зможаце: - стварыць сістэму пошуку дакументаў з дапамогай K-бліжэйшых суседзяў. - Вызначыць розныя метрыкі падабенства для тэкставых дадзеных. - Скарачэнне вылічэнняў у да-пошуку бліжэйшага суседа з дапамогай KD-дрэў. - Прадукцыя прыблізныя бліжэйшых суседзяў, выкарыстоўваючы лакальнасці адчувальную хэшавання. - Параўнайце і кантраляваныя і некантралюемыя навучальных задач. - Кластар дакументы па тэме з дапамогай K-сродкі. - Апішыце, як распараллелить K-сродкі з дапамогай MapReduce. - Вывучыць імавернасны падыходы кластарызацыі з выкарыстаннем сумесяў мадэляў. - Устанавіць сумесь гауссовой мадэлі з выкарыстаннем матэматычнага чакання максімізацыю (EM). - Правесці камбінаванае мадэляванне сяброўства з выкарыстаннем схаванага размеркавання Дирихле (LDA). - Апішыце этапы Гібса і як выкарыстоўваць свой выснову зрабіць высновы. - Параўнайце і метады ініцыялізацыі кантрасту для нявыпуклы задач аптымізацыі. - Укараненне гэтых метадаў у Python. Машыннае навучанне: Рекомендатор Systems & Памернасць Зніжэнне Прыклад: Рэкамендуючы прадукты Як Amazon рэкамендаваць прадукты вы можаце быць зацікаўлены ў куплі? Як Netflix вырашыць, якія фільмы або тэлешоў вы можаце глядзець? Што рабіць, калі вы пачатковец, то варта Netflix проста парэкамендаваць найбольш папулярныя фільмы? Хто б вы маглі стварыць новую спасылку з на Facebook або LinkedIn? Гэтыя пытанні з'яўляюцца эндэмічных для большасці паслуг на аснове галін прамысловасці, а таксама ляжаць у аснове паняцці сумеснай фільтрацыі і рэкамендацыйных сістэм, разгорнутых для вырашэння гэтых праблем. У гэтым чацвёртым даследаванні выпадку, вы будзеце даследаваць гэтыя ідэі ў кантэксце рэкамендацый прадуктаў на аснове водгукаў кліентаў. У гэтым курсе вы будзеце вывучаць метады зніжэння памернасці для мадэлявання шматмерных дадзеных. У выпадку рэкамендацыйных сістэм, вашы дадзеныя прадстаўлены ў выглядзе адносін карыстальнікам прадукту, з патэнцыйна мільёны карыстальнікаў і сотні тысяч прадуктаў. Вы рэалізаваць факторизации матрыц і схаваных мадэляў фактар ​​для вырашэння задачы прагназавання новых адносін карыстальнікам прадукту. Вы таксама можаце выкарыстоўваць дадатковую інфармацыю аб прадуктах і карыстальнікаў для паляпшэння прагнозаў. Вынікі навучання: Па заканчэнні гэтага курса вы зможаце: - стварыць сумесную сістэму фільтравання. - Паменшыць памернасць дадзеных з выкарыстаннем SVD, PCA і выпадковыя праекцыі. - Выкананне матрычнай прагонку з выкарыстаннем каардынатнага спуску. - Разгортванне схаваных мадэляў фактар ​​як сістэма рэкамендацыйных. - Ручка праблемы халоднага запуску з дапамогай дадатковай інфармацыі. - Вывучыць прыкладанне рэкамендацыі прадукту. - Укараненне гэтых метадаў у Python. Машыннае навучанне Capstone: Intelligent Application з паглыбленым вывучэннем Вы калі-небудзь задаваліся пытаннем, як будаваць Recommender прадукт? Як вы можаце вывесці асноўныя настрою з аглядаў? Як вы можаце здабываць інфармацыю з малюнкаў, каб знайсці візуальна падобныя прадукты рэкамендаваць? Як пабудаваць дадатак, якое робіць усе гэтыя рэчы ў рэальным часе, а таксама забяспечвае вопыт пярэдняга канчатковага карыстальніка? Гэта тое, што вы будзеце будаваць у гэтым курсе! Выкарыстоўваючы тое, што вы даведаліся пра машынным навучанні да гэтага часу, вы будзеце будаваць агульную сістэму Рекомендатор прадукт, які робіць значна больш, чым проста знайсці падобныя прадукты Вы камбінаваць малюнка прадукцыі з апісаннямі прадуктаў і іх агляды, каб стварыць па-сапраўднаму інавацыйныя інтэлектуальныя прыкладання. Вы, напэўна, чулі, што Deep Learning робіць навіны па ўсім свеце як адзін з найбольш перспектыўных метадаў у галіне машыннага навучання, асабліва для аналізу дадзеных малюнка. З кожнай галіне выдзялення сродкаў, каб разблакаваць глыбокі патэнцыял навучання, каб быць канкурэнтаздольнымі, вы хочаце выкарыстоўваць гэтыя мадэлі ў задачах, такіх як пазнака малюнкаў, распазнавання аб'ектаў, распазнання прамовы і аналізу тэксту. У гэтым замкавым, вы будзеце будаваць глыбокія мадэлі навучання з выкарыстаннем нейронавых сетак, даследаваць тое, што яны ёсць, што яны робяць, і як. Каб выдаліць бар'ер, уведзены праектавання, падрыхтоўкі і налады сетак, а таксама, каб мець магчымасць дамагчыся высокай прадукцыйнасці з меншай колькасцю пазначаных дадзеных, вы таксама будзеце будаваць глыбокія навучання класіфікатараў з улікам вашых канкрэтных задач з выкарыстаннем загадзя падрыхтаваных мадэляў, якія мы называем глыбокія рысы , У якасці асноўнай часткі гэтага праекта дыплёмным, вы будзеце ажыццяўляць глыбокую мадэль навучання для рэкамендацыі прадукту на аснове малюнка. Вы будзеце затым аб'яднаць гэтую візуальную мадэль з тэкставымі апісаннямі прадуктаў і інфармацыі з аглядаў пабудаваць захапляльны, ад канца да канца інтэлектуальнае прыкладанне, якое забяспечвае новы вопыт выяўлення прадукту. Вы затым разгарнуць яго ў якасці сэрвісу, які вы можаце падзяліцца з сябрамі і патэнцыйнымі працадаўцамі. Вынікі навучання: Да канца гэтага замкавым, вы зможаце: - Даследуйце набор дадзеных прадуктаў, агляды і малюнкаў. - Пабудаваць Рекомендатор прадукту. - Апішыце, як уяўляецца мадэлі нейронавай сеткі і як яна кадуе нелінейныя функцыі. - Аб'яднанне розных тыпаў слаёў і функцый актывацыі, каб атрымаць больш высокую прадукцыйнасць. - Выкарыстоўвайце pretrained мадэлі, такія як глыбокія асаблівасці, для новых задач класіфікацыі. - Апішыце, як гэтыя мадэлі могуць быць ужытыя ў галіне камп'ютэрнага гледжання, аналізу тэкстаў і распазнання прамовы. - Выкарыстоўвайце візуальныя магчымасці, каб знайсці прадукты, якія карыстальнікі хочуць. - Уключыць агляд настрояў у рэкамендацыі. - Пабудаваць прыкладанне ад канца да канца. - Разгарнуць яго ў якасці службы. - Укараненне гэтых метадаў у Python. [-]

Contact
Адрас месца
USA Online, US