Contents
關於此專業課程
此來自華盛頓大學領先研究人員的專業化課程介紹令人興奮的高需求領域- 機器學習。通過一系列實際案例研究,你將獲得機器學習主要領域的應用經驗,包括預測、分類、分群和資訊檢索。你將學習分析大型和複雜的資料集,創建隨著時間推移做調整和改進的系統,以及建構可以根據數據進行預測的智慧應用程式。
到官方網站了解本課程與上課
製作方
華盛頓大學 ( University of Washington )
華盛頓大學成立於1861年,是最古老的大學之一。西海岸國家支持的高等教育機構 。世界上最傑出的研究型大學之一。


第 1 門課程 機器學習基礎 : 案例研究
課程概述
你有資料並想知道它透露什麼訊息嗎?你是否需要更深入地瞭解機器學習的核心方式以便改善你的業務?你是否希望能夠與專家討論從回歸和分類到深度學習和推薦系統的任何事情?在本課程中,你將通過一系列實際案例研究獲得機器學習的實踐經驗。在第一門課程結束時,你將習得如何根據家庭級功能預測房價,分析使用者評論中的情緒,檢索感興趣的文件,推薦產品和搜尋影像。通過這些用例的實踐練習,你將能夠在各種領域中應用機器學習方法。
第一個課程將機器學習方法視為黑盒子。使用此抽象,你將專注於理解感興趣的任務,將這些任務與機器學習工具相匹配,並評估輸出的品質。在後續課程中,你將透過檢查模型和演算法深入研究此黑盒子的元件。這些部分共同構成了機器學習管道,你將在開發智慧應用程式時使用它。
學習成果:在本課程結束時,你將能夠:
- 在實踐中識別機器學習的潛在應用。
- 描述運用回歸、分類和分群做分析的核心差異。
- 為潛在的應用程式選擇適當的機器學習任務。
- 應用回歸、分類、群聚、檢索、推薦系統和深度學習。
- 將你的資料作為特徵值,作為機器學習模型的輸入。
- 根據每項任務的相關錯誤指標評估模型品質。
- 使用資料集來彌合模型以分析新資料。
- 建構一個以機器學習為核心的端到端應用程式。
- 在 Python 中實現這些技術。
第 1 週 : Welcome
第 2 週 : Regression: Predicting House Prices
第 3 週 : Classification: Analyzing Sentiment
第 4 週 : Clustering and Similarity: Retrieving Documents
第 5 週 : Recommending Products
第 6 週 : Deep Learning: Searching for Images,
Closing Remarks
第 2 門課程 機器學習 : 回歸
課程概述
案例研究 – 預測房價在我們的第一個案例研究中,預測房價,你將建立預測輸入特徵(平方英尺、臥室和浴室數量……)的連續價值( 價格 )的模型。這只是回歸的眾多應用之一。其他應用包括預測醫藥中的健康結果,金融中的股票價格和高效能運算中的電力使用,以及分析哪些調控因子對基因表達很重要。
在本課程中,你將探索用於預測和特徵選擇任務的正規化線性回歸模型。你將能夠處理非常大的特徵集合,並在各種複雜性的模型之間做選擇。你還將分析資料各方面(例如異常值)對所選模型和預測的影響。為了適應這些模型,你將實施可擴充到大型資料集的優化演算法。
學習成果:在本課程結束時,你將能夠:
- 描述回歸模型的輸入和輸出。
- 建模資料時比較和對比偏差和方差。
- 使用優化演算法估算模型參數。
- 使用交叉驗證調整參數。
- 分析模型的效能。
- 描述稀疏性的概念以及 LASSO 如何導致稀疏解決方案。
- 部署多種方法在模型之間做選擇。
- 探索模型以形成預測。
- 使用住房資料集建立回歸模型以預測價格。
- 在 Python 實現這些技術。
第 1 週 : Welcome,Simple Linear Regression
第 2 週 : Multiple Regression
第 3 週 : Assessing Performance
第 4 週 : Ridge Regression
第 5 週 : Feature Selection & Lasso
第 6 週 : Nearest Neighbors & Kernel Regression,
Closing Remarks
第 3 門課程 機器學習 : 分類
課程概述
案例研究:在我們分析情緒的案例研究中分析情緒和貸款違約預測,你將建立模型,根據輸入要素(評論文字、使用者檔案資訊……)預測等級(正面/負面情緒)。在本課程的第二個案例研究中,貸款違約預測,你將處理財務資料,並預測貸款何時可能對銀行有風險或安全。這些任務是分類的一個例子,分類是機器學習中使用最廣泛的領域之一,具有廣泛的應用,包括廣告目標定位、垃圾郵件檢測、醫療診斷和影像分類。
在本課程中,你將建立分類器,為各種任務提供最先進的效能。你將熟悉最成功的技術,這些技術在實踐中被廣泛使用,包括邏輯回歸( logic regression )、決策樹( decision trees )和提升( boosting )。此外,你將能夠設計和實現可以使用隨機梯度上升大規模學習這些模型的基礎演算法。你將把這些技術實施到真實世界、大規模的機器學習任務。 你也將處理機器學習於實際應用時會面臨的大量任務,包括處理遺漏的資料和量測精確率以及召回率以評估一個分類器。
本課程是動手實踐,豐富的操作,並充滿了這些技術如何在真實資料上表現的視覺化和插圖。我們還在每個模組中都包含了可選內容,涵蓋了那些想要更深入的人們能進一步學習的高階主題!
學習目標:在本課程結束時,你將能夠:
- 描述分類模型的輸入和輸出。
- 解決二進位制和多項分類問題。
- 實現大規模分類的邏輯回歸模型。
- 使用決策樹建立非線性模型。
- 使用提升( boosting )提高任何模型的表現。
- 使用隨機梯度上升來規模化你的方法。
- 描述基礎決策邊界。
- 建立分類模型以預測產品評論資料集中的情緒。
- 分析財務資料以預測貸款違約。
- 使用處理遺漏資料的技術。
- 使用精確率-召回率指標( precision-recall metrics )評估你的模型。
- 在Python實現這些技術(或者使用你選擇的語言,但強烈建議使用Python)。
第 1 週 : Welcome! ,Linear Classifiers & Logistic Regression
第 2 週 : Learning Linear Classifiers,Overfitting & Regularization in Logistic Regression
第 3 週 : Decision Trees
第 4 週 : Preventing Overfitting in Decision Trees,Handling Missing Data
第 5 週 : Boosting
第 6 週 : Precise-Recall
第 7 週 : Scaling to Huge Datasets & Online Learning
第 4 門課程 機器學習 : 分群與檢索
課程概述
案例研究:發現 A 讀者對特定的新聞文章感興趣,你希望能找到類似的文章推薦給這位讀者。什麼是相似的正確概念?而且,如果有數百萬的其他文件怎麼辦?每次要取出新文件時,是否需要搜尋過所有其他文件?如何將類似文件群組在一起?你如何發現文件涵蓋的新興主題?
在第三個案例研究中,找到類似的文件,你將檢驗基於相似性的演算法以進行檢索。在本課程中,你還將檢查用於描述文集中文件的結構化表示,包括分群和混合成員模型,例如潛在 Dirichlet 分配( LDA,Latent Durucgket Allocation )。你將實現期望最大化(EM,Expectation Maximization)以學習文件分群,並瞭解如何使用 MapReduce 擴大規模化方法。
學習成果:在本課程結束時,你將能夠:
- 使用 k-nearest neighbor (k最近鄰)建立文件檢索系統。
- 識別文字資料的各種相似性度量指標。
- 使用 KD-trees( KD 樹)減少k最近鄰搜尋中的計算。
- 使用局部敏感雜湊( LSH,Locally-Sensitive Hashing )生成近似最近鄰。
- 比較和對比監督和無監督學習任務。
- 使用 k-means 按主題分群文件。
- 描述如何使用 MapReduce 並行 k-means。
- 使用混合模型檢查機率分群方法。
- 使用期望最大化( EM ,Expectation Maximization )與高斯模型的混合相稱。
- 使用潛在 Dirichlet 分配( LDA,Latent Durucgket Allocation )執行混合成員資格建模。
- 描述 Gibbs 取樣器的步驟以及如何使用其輸出來繪製推論。
- 比較和對比非凸優化目標( non-convex optimization objectives )的初始化技術。
- 在 Python 實現這些技術。
第 1 週 : Welcome
第 2 週 : Nearest Neighbor Search
第 3 週 : Clustering with k-means
第 4 週 : Mixture Models
第 5 週 : Mixed Membership Modeling via Latent Dirichlet Allocation
第 6 週 : Hierarchical Clustering & Closing Remarks
到官方網站了解本課程與上課
你可能會有興趣
- 資料科學與機器學習相關線上課程
- Coursera 前十大最受歡迎課程
- 歡迎加入 Soft & Share 特價線上課程 社團!
發表迴響