Coursera

Introduction

Read the Official Description

Нашата мисија

Coursera е образование платформа која партнери со врвни универзитети и организации низ целиот свет, да се понудат курсеви на интернет, за секој да земе, бесплатно.

Ја замислуваме иднина во која секој има пристап до светска класа образование. Наша цел е да ги поттикне луѓето со образование што ќе го подобрат својот живот, животот на нивните семејства, и на заедниците што живеат во.

Како работиме

Откријте а се разбира и се регистрирате денес

Изберете од 400 + курсеви креирани од врвни образовни институции во светот.

Учат на свој распоред

Види кратко видео предавања, се интерактивни квизови, заврши пер оценето проценки, и да ги поврзете со соучениците и наставниците.

Постигне своите цели

Завршат својата класа и да добијат признание за вашиот остварување.

Нашиот пристап

На Coursera искуство

Тоа е едноставно. Ние сакаме да им помогне на студентите да научат подобро - и побрзо. Тоа е причината зошто ние сме дизајниран нашата платформа врз основа на докажани наставни методи потврдено од страна на врвот истражувачите. Еве 4 клучните идеи кои беа влијателни во обликувањето на нашата визија:

Ефикасноста на онлајн учење

Онлајн учење игра значајна улога во доживотното образование. Всушност, неодамнешниот извештај од страна на американското Министерство за образование утврди дека "класи со онлајн учење (без разлика дали предава целосно онлајн или помеша) во просек произведуваат посилни резултати на учењето на студентите, отколку паралелки со единствено лице-в-лице настава."

Мајсторство учење

Врз основа на пристап развиен од страна на образовен психолог Бенџамин Блум, Мајсторство учење им помага на учениците се разбере целосно тема пред да се движи кон повеќе напредни тема. На Coursera, ние обично се даде брз одговор на концептот на студентот не го разбираат. Во многу случаи, ние обезбеди рандомизирани верзии на задачата така што студентите можат да се ре-студија и повторно да се обиде на домашна задача.

Проценки пер

Во многу курсеви, најзначајното задачи не може лесно да се оценува од страна на компјутер. Тоа е причината зошто ние ги користиме пер проценки, каде што студентите може да се оцени и да се обезбеди повратни информации за секоја друга работа. Оваа техника се покажа во многу студии за да резултира со точни повратни информации за ученикот и вредни искуства за учење за два метра.

Учење помеша

Многу од нашите партнерски институции ги користат нашите онлајн платформа за да им обезбеди на своите он-кампусот на студентите со подобрено учење. Ова помеша модел на учење покажа во студиите да се зголеми ангажирањето на ученикот, присуство и перформанси.

This school offers programs in:
  • Англиски

Види курсеви »

Programs

This school also offers:

курс

разбира во машина за учење (средно)

Он-лајн студии Дел-студии 8 месеци Open Enrollment Соединети Американски Држави САД онлајн

Оваа специјализација обезбедува воведување на случајот со седиште на возбудлив, висока побарувачка областа на машина за учење. Ќе се научиш да се анализира големи и сложени бази на податоци, да се изгради апликации кои можат да се прават предвидувања од податоците, и да се создаде системи кои се прилагодат и да се подобри со текот на времето. [+]

Оваа специјализација обезбедува воведување на случајот со седиште на возбудлив, висока побарувачка областа на машина за учење. Ќе се научиш да се анализира големи и сложени бази на податоци, да се изгради апликации кои можат да се прават предвидувања од податоците, и да се создаде системи кои се прилагодат и да се подобри со текот на времето. Во финалето највисок премин проект, ќе ги применат своите вештини за решавање на оригиналот, реалниот свет проблем, преку спроведување на машинско учење алгоритми. Курсеви Машинско учење фондации: пристап Студија на случај Дали имате податоци и се прашуваат што да ви кажам? Дали ви треба подлабоко разбирање на основните начини на кои машинско учење може да го подобри вашиот бизнис? Дали сакате да бидат во можност да разговара со специјалисти за ништо од регресија и класификација на длабоко учење и препораки системи? Во овој курс, ќе го добиете практично искуство со машина за учење од серија на практични студии на случај. На крајот на првиот курс ќе се изучува како да се предвиди куќа цените врз основа на карактеристики куќа ниво, анализира расположение од корисник осврти, добивање на документи од интерес, препорачуваат производи, како и пребарување на слики. Преку рацете на пракса во овие случаи, употреба, ќе бидат способни да ги применуваат методите за машинско учење во широк спектар на области. Овој првиот курс третира методот на машина за учење како црна кутија. Користејќи се со оваа апстракција, ќе се фокусира на разбирање на задачите на интерес, за појавување на овие задачи на машински алатки за учење, и оценување на квалитетот на производството. Во наредните курсеви, ќе истражувам во компонентите на оваа црна кутија со испитување на модели и алгоритми. Заедно, овие парчиња се формира гасоводот машина за учење, која ќе се користи во развојот на интелигентни апликации. Резултати за учење: До крајот на овој курс, ќе бидат способни да: - Ги идентификува потенцијални апликации на машинско учење во пракса. - Опис на клучните разлики во анализи овозможено од страна на регресија, класификација и групирање. - Изберете ја соодветната задача машина за учење за потенцијална апликација. - Спроведување на регресија, класификација, кластерирање, пребарување, препораки системи, и длабоко учење. - Ја претставува вашите податоци како функции, за да им служи како влез на машина за учење модели. - Проценка на квалитетот на модел во однос на релевантните параметри грешка за секоја задача. - Користат базата за да ги собере на модел да се анализира нови податоци. - Изградба на барање крај-до-крај дека го користи машина за учење во неговото јадро. - Да се ​​развијат овие техники во Python. Машинско учење: регресија Студија на случај - Предвидување на домување цени Во нашата прва студија на случај, предвидувањето на цените на куќите, ќе се создаде модели кои предвидуваат континуирана вредност (цена) од влез карактеристики (плоштадот снимката, број на спални соби и бањи, ...). Ова е само еден од многуте места каде што може да се примени регресија. Други апликации се движат од предвидување на здравствените резултати во областа на медицината, цените на акциите во финансии, и потрошувачка на енергија во компјутери со високи перформанси, за анализа која регулаторите се важни за генската експресија. Во овој курс ќе се истражуваат регулиран линеарна регресија модели за задача на предвидување и избор на функција. Ќе бидете во можност да се справи со многу големи множества на функции и одберете помеѓу модели на различни комплексност. Исто така, ќе се анализира влијанието на аспекти на вашите податоци - како што се отпадници - на избраните модели и предвидувања. За да ги собере овие модели, ќе се спроведе оптимизација на алгоритми кои скала на големи бази на податоци. Резултати за учење: До крајот на овој курс, ќе бидат способни да: - Опис на влез и излез на моделот на регресија. - Споредете и контрастот пристрасност и варијансата кога моделирање на податоци. - Проценка модел параметри користејќи оптимизациски алгоритми. - Барај параметри со крстот валидација. - Анализа на перформансите на моделот. - Опис на поимот sparsity и како ласо води до редок решенија. - Распоредување на методи за да изберете меѓу моделите. - Експлоатација на модел за формирање предвидувања. - Изградба на регресија модел за предвидување на цените користење на домување базата. - Да се ​​развијат овие техники во Python. Машинско учење: Класификација Студии на случај: Анализа Расположение & кредитот стандардно Предвидување Во нашата студија на случај за анализа на расположение, ќе се создаде модели кои предвидуваат класа (позитивни / негативни чувства) од влез карактеристики (текст од коментарите, кориснички профил информации, ...). Во вториот нашата студија на случај за овој курс, кредитот стандардно предвидување, ќе се справи со финансиски податоци, и да се предвиди кога кредит е веројатно да биде ризично или безбедно за банката. Овие задачи се примери за класификација, една од најпознатите широко се користи области на машина за учење, со широк спектар на апликации, вклучувајќи реклама таргетирање, спем-откривање, медицинска дијагноза и класификација на сликата. Во овој курс, ќе се создаде класификатори кои обезбедуваат state-of-the-art извршување на различни задачи. Ќе се запознаат со најуспешните техники, кои најмногу се користат во пракса, вклучувајќи ги и логистичка регресија, одлуката на дрва и зголемување. Покрај тоа, ќе бидете во можност да дизајн и имплементација на основните алгоритми кои можат да ги научат овие модели во размер, со користење на стохастички искачување градиент. Ќе ги имплементираат овие техники на реалниот свет, големи задачи машинско учење. Можете исто така ќе се осврне на значајните задачи кои ќе се соочи во реалниот свет апликации на ml, вклучувајќи ракување со податоците кои недостасуваат и мерење прецизност и да се потсетиме за проценка на класификатор. Овој курс е практично, акција спакувани и полн со визуелизации и илустрации за тоа како овие техники ќе се однесуваат на реални податоци. Ние, исто така се вклучени изборен содржина во секој модул, што ги опфаќа напредни теми за оние кои сакаат да одат уште подлабоко! Цели на учење: До крајот на овој курс, ќе бидат способни да: - Опис на влез и излез на модел на класификација. - Се справи со двете бинарни и multiclass проблеми класификација. - Имплементирање на логистичка регресија модел за класификација големи размери. - Креирање на не-линеарен модел со користење на одлуката на дрва. - Подобрување на ефикасноста на било кој модел со користење на зголемување. - Размер методи со стохастички градиент искачување. - Го опишува основните граници на решението. - Изградба на класификација модел да се предвиди расположение во базата на производ преглед. - Анализа на финансиски податоци да се предвиди заем стандардно. - Употреба на техники за справување со податоците кои недостасуваат. - Оценка на вашите модели кои користат прецизно потсетиме метрика. - Да се ​​развијат овие техники во Python (или на јазикот на вашиот избор, иако Пајтон е препорачливо). Машинско учење: Кластеринг & Обнова Студии на случај: Наоѓање слични документи А читателот е заинтересиран за одредена статија во весник и сакате да најдете слични производи да се препорача. Кој е вистинскиот поимот сличност? Згора на тоа, што ако има милиони други документи? Секој пат кога ќе сакате да се потсетите на новиот документ, што ви е потребно за да пребарувате низ сите други документи? Како да се направи група слични документи заедно? Како да ги откриете нови, нови теми на кои документи се покрие? Во оваа трета студија на случај, наоѓање слични документи, ќе се испита базирани на сличност алгоритми за пребарување. Во овој курс, исто така, ќе ги испита структурирана репрезентации за опишување на документи во корпус, вклучувајќи и формирање кластери и мешани модели членство, како латентна Dirichlet распределба (ЛАР). Ќе се спроведе очекување максимизација (ЕМ) за да дознаете clusterings документот, и да видиме како да скала на методи со користење на MapReduce. Резултати за учење: До крајот на овој курс, ќе бидат способни да: - Креирајте систем за пронаоѓање на документите со помош к-најблиски соседи. - Препознавање различни сличност метрика за текст на податоци. - Намалување на пресметки во К-најблискиот сосед пребарување со користење на КД дрвја. - Производство приближна најблиски соседи користење чувствителни локалитетот hashing. - Споредете и контрастот надгледувана и без надзор задачи учење. - Кластер документи од темата користење K-средства. - Опишете како да parallelize K-средства преку MapReduce. - Проверка веројатна пристапи кластери користење мешавини модели. - Одговара мешавина на Gaussian модел со помош очекување максимизација (ЕМ). - Врши и мешани моделирање членство користење латентна Dirichlet распределба (ЛАР). - Опис на чекори на семплер Гибс и како да се користи своето производство да се подготви заклучоци. - Споредете и контрастот иницијализација техники за цели кои не се конвексни оптимизација. - Да се ​​развијат овие техники во Python. Машинско учење: препораки системи и намалување на димензионалноста Студија на случај: Препорачувајќи производи Како Амазон препорачуваме производите може да бидат заинтересирани во купување? Како Дали Netflix одлучи кои филмови или ТВ емисии, можеби ќе сакате да се види? Што ако сте нов корисник, треба само Netflix препорача најпопуларните филмови? Кој би можел да формира нова врска со на Фејсбук или Скопје? Овие прашања се ендемични на повеќето индустрии услуги врз основа, а во основата на идејата за колаборативно филтрирање и системи препораки распоредени да ги реши овие проблеми. Во оваа четврта студија на случај, ќе се истражуваат овие идеи во контекст на препорачување на производи врз основа на клиент коментарите. Во овој курс ќе се истражуваат техники за намалување на димензионалноста за моделирање на високо-димензионални податоци. Во случај на системите кои даваат препораки, вашите податоци се претставени како врски кориснички производ, со потенцијално милиони корисници и стотици илјади производи. Ќе се спроведе матрица факторизација и латентни модели фактор за задача на предвидување на нови односи кориснички производ. Исто така, ќе се користи од страна на информации за производи и на корисниците да се подобри предвидувања. Резултати за учење: До крајот на овој курс, ќе бидат способни да: - Да се ​​создаде заеднички систем за филтрирање. - Намалување на димензионалноста на податоци со користење на SVD, СПС, и случајни проекции. - Вршење на матрица факторизација користење координираат потекло. - Распоредување на латентна модели фактор како систем препораки. - Рачка почетокот проблем ладна користење од страна на информации. - Проверка на апликацијата за производ препорака. - Да се ​​развијат овие техники во Python. Машинско учење Capstone: интелигентна апликација со длабоко учење Дали некогаш сте се запрашале како се гради препораки производ? Како можете да заклучиме основните расположение од Прегледи? Како може да се извлече информации од слики да се најде визуелно слични производи да ми препорачате? Како ќе се изгради апликација која прави сите овие работи во реално време, и обезбедува пред крајот на корисникот искуство? Тоа е она што ќе се изгради во овој курс! Користење на она што сте го научиле за машинско учење досега, ќе се изгради општ систем производ препораки што го прави многу повеќе отколку само да се најдат слични производи ќе комбинирате слики на производи со опис на производот и нивната критика да се создаде вистински иновативни интелигентни примена. Веројатно сте слушнале дека длабоко учење се прават вестите низ светот како една од најмногу ветува техники во машина за учење, особено за анализа на податоци на сликата. Со секоја индустрија посветувајќи ресурси за да го отклучите длабоко потенцијал за учење, за да бидат конкурентни, ќе сакате да ги користат овие модели во задачи како означување на слики, објект признавање, препознавање на говор, и анализа на текст. Во овој највисок премин, ќе се изгради длабоко модели на учење со користење на нервните мрежи, истражуваат што се, она што тие го прават и како. За да се отстрани бариерата воведен од страна на дизајнирање, обука и подесување на мрежи, како и да бидат во можност да се постигне со високи перформанси со помалку означени податоци, исто така, ќе се изгради длабоко класификатори учење прилагодени на вашите специфични задачи користење на претходно обучени модели, кој ние го нарекуваме длабоко карактеристики . Како основен дел од овој највисок премин проект, ќе се спроведе длабока учење модел за сликата-базирани производ препорака. Потоа ќе се комбинираат овој визуелен модел со текстуални описи на производи и информации од коментарите да се изгради една возбудлива, крај-до-крај интелигентна апликација која обезбедува роман искуство откритие производ. Потоа ќе го употреби како услуга, која можете да ги споделите со вашите пријатели и потенцијалните работодавци. Резултати за учење: До крајот на овој највисок премин, ќе бидат способни да: - Истражување на базата на производи, осврти и слики. - Изградба на препораки производ. - Опишете како е претставен моделот невронска мрежа и како таа се кодира не-линеарни функции. - Комбајни за различни видови на слоеви и функции за активирање за да добијат подобри перформанси. - Употреба pretrained модели, како што е длабоко функции, за нови задачи класификација. - Опишете како овие модели може да се примени во компјутерска визија, текст и анализатор на препознавање на говор. - Употреба на визуелни карактеристики да се најде на производите на вашата корисниците сакаат. - Вградете преглед расположение во препораката. - Изградба на барање крај-до-крај. - Распоредување на тоа како услуга. - Да се ​​развијат овие техники во Python. [-]

Contact
Адреса на локацијата
USA Online, US