機器學習專業課程

華盛頓大學頂尖研究人員的這項專業化研究將向您介紹令人興奮且需求量大的機器學習領域。透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、聚類和資訊檢索。你將學習分析大型複雜資料集，創建可隨著時間推移而適應和改進的系統，以及建立可以根據資料進行預測的智慧應用程式。

到官方網站了解本課程與上課

應用的學習專案

學習者將在專業化的每個課程中將預測、分類、聚類和資訊檢索機器學習演算法應用於真實資料集。他們將獲得應用機器學習和 Python 程式設計經驗。

你將獲得的技能：

機器學習	演算法	機器學習演算法
人類學習	應用機器學習	Python程式設計
機率與統計	迴歸	資料分析
數學	電腦程式	決策

字幕

簡中、英文（22 種語言可選）

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

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迴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。
描述運用迴歸、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。

你將獲得的技能：

Python程式設計	機器學習概念	機器學習
深度學習

第 2 門課程機器學習 : 迴歸

案例研究 – 預測房價

在我們的第一個案例研究中，預測房價，你將建立模型，根據輸入特徵（平方英尺、臥室和浴室的數量等）預測連續值（價格）。這只是迴歸可以應用的眾多地方之一。其他應用包括預測醫學中的健康結果、金融中的股票價格和高性能計算中的電力使用情況，以及分析哪些調節器對基因表現很重要。

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迴歸模型。你將能夠處理非常大的功能集並在各種複雜程度的模型之間進行選擇。你還將分析資料的各個方面（例如異常值）對所選模型和預測的影響。為了適應這些模型，你將實現可擴展到大數據集的最佳化演算法。

學習成果：完成本課程後，你將能夠：

描述迴歸模型的輸入和輸出。
在建模資料時比較和對比偏差和變異數。
使用最佳化演算法估計模型參數。
透過交叉驗證調整參數。
分析模型的性能。
描述稀疏性的概念以及 LASSO 如何導致稀疏解。
部署方法在模型之間進行選擇。
利用模型形成預測。
使用住房資料集建立迴歸模型來預測價格。
用 Python 實作這些技術。

你將獲得的技能：

線性迴歸	嶺(ridge)迴歸	Lasso (統計學)
迴歸分析

第 3 門課程機器學習 : 分類

案例研究：分析情緒和貸款違約預測

在我們分析情緒的案例研究中，你將建立模型，根據輸入特徵（評論文字、使用者個人資料資訊等）預測類別（正面/負面情緒）。在本課程的第二個案例研究「貸款違約預測」中，你將處理財務數據，並預測貸款對銀行來說何時可能是有風險的或安全的。這些任務是分類的例子，分類是機器學習最廣泛應用的領域之一，具有廣泛的應用，包括廣告定位、垃圾郵件偵測、醫療診斷和影像分類。

在本課程中，你將建立在各種任務上提供最先進性能的分類器。你將熟悉最成功的技術，這些技術在實踐中應用最廣泛，包括邏輯迴歸、決策樹和增強技術。此外，你將能夠使用隨機梯度上升來設計和實現可以大規模學習這些模型的底層演算法。你將在現實世界的大規模機器學習任務中實現這些技術。你還將解決 ML 實際應用中面臨的重要任務，包括處理缺失資料以及測量精確度和召回率以評估分類器。本課程實踐性強，內容豐富，並充滿了視覺化和插圖，展示了這些技術如何在真實數據上發揮作用。我們還在每個模組中加入了可選內容，為想要深入了解的人涵蓋了高級主題！

學習目標：完成本課程後，你將能夠：

描述分類模型的輸入和輸出。
解決二元和多類分類問題。
實作用於大規模分類的邏輯迴歸模型。
使用決策樹創建非線性模型。
使用增強技術來提高任何模型的性能。
使用隨機梯度上升來擴展你的方法。
建立分類模型來預測產品評論資料集中的情緒。
分析財務數據來預測貸款違約。
使用技術處理缺失資料。
使用精確召回率指標評估你的模型。
使用 Python（或你選擇的語言，但強烈建議使用 Python）實作這些技術。

你將獲得的技能：

邏輯迴歸	統計分類	分類演算法
決策樹

第 4 門課程機器學習 : 分群與檢索

案例研究：查找類似文檔

讀者對某篇特定新聞文章感興趣，而你想找到類似的文章來推薦。相似性的正確概念是什麼？此外，如果還有數百萬份其他文件怎麼辦？每次您想要檢索新文件時，是否需要搜尋所有其他文件？如何將相似的文檔分組在一起？你如何發現文件所涵蓋的新興主題？

在第三個案例研究中，尋找相似的文檔，你將研究基於相似性的檢索演算法。在本課程中，你還將研究用於描述語料庫中文件的結構化表示，包括聚類和混合成員模型，例如潛在 Dirichlet 分配 (Latent Dirichlet allocation，LDA)。你將實現期望最大化 (EM) 來學習文件聚類，並了解如何使用 MapReduce 擴充方法。

學習成果：完成本課程後，你將能夠：