Coursera

Introduzione

Leggi la descrizione ufficiale

La nostra missione

Coursera è una piattaforma di educazione che i partner con le migliori università e organizzazioni di tutto il mondo, per offrire corsi on-line per chiunque di prendere, gratuitamente.

Prevediamo un futuro in cui tutti hanno accesso a una formazione di livello mondiale. Il nostro obiettivo è aiutare le persone con un'istruzione in grado di migliorare la loro vita, la vita delle loro famiglie e le comunità in cui vivono.

Come funziona

Scopri un corso e iscriviti oggi

Scegli tra oltre 400 corsi creati dai migliori istituti di formazione di tutto il mondo.

Imparare sulla vostra scheda personale

Guarda il video lezioni brevi, prendere quiz interattivi, valutazioni complete pari classificato, e connettersi con i compagni e gli insegnanti.

Raggiungere i tuoi obiettivi

Finisci la tua classe e ricevere un riconoscimento per la vostra realizzazione.

Il nostro approccio

L'esperienza Coursera

E 'semplice. Vogliamo aiutare gli studenti a imparare meglio - e più velocemente. Ecco perché abbiamo progettato la nostra piattaforma basata su metodi di insegnamento collaudati verificate da ricercatori di alto livello. Qui ci sono 4 idee chiave che erano influenti nel plasmare la nostra visione:

L'efficacia di apprendimento on-line

Apprendimento on-line ha un ruolo significativo in una formazione permanente. In realtà, un recente rapporto del Dipartimento dell'Istruzione degli Stati Uniti ha rilevato che "le classi con l'apprendimento on-line (se insegnato interamente online o miscelato), in media, producono risultati più forti di apprendimento degli studenti di quanto non facciano le classi con solo l'istruzione faccia a faccia."

Mastery learning

Sulla base di un approccio sviluppato da psicopedagogista Benjamin Bloom, Mastery Learning aiuta gli studenti a comprendere pienamente un argomento prima di passare a un argomento più avanzato. Su Coursera, di solito diamo un feedback immediato su un concetto uno studente non capiva. In molti casi, forniamo le versioni randomizzati della cessione in modo da uno studente può ri-studio e ri-tentare i compiti a casa.

Valutazioni Peer

In molti corsi, le assegnazioni più significativi non possono essere facilmente classificate da un computer. Ecco perché usiamo le valutazioni tra pari, dove gli studenti possono valutare e fornire feedback sul lavoro degli altri. Questa tecnica è stata dimostrata in molti studi per determinare feedback accurato per lo studente e una preziosa esperienza di apprendimento per il classificatore.

Blended learning

Molte delle nostre istituzioni partner utilizzano la nostra piattaforma on-line per fornire ai loro studenti on-campus con una migliore esperienza di apprendimento. Questo modello misto di formazione ha dimostrato in studi per aumentare il coinvolgimento degli studenti, la frequenza e le prestazioni.

Questa scuola offre corsi di studio in:
  • Inglese

Visualizza i corsi »

Corsi di studio

Questa scuola offre anche:

Corsi

Corso Di Apprendimento Automatico (intermedio)

online Part time 8 mesi Iscrizioni aperte Stati Uniti d'America USA online

Questa specializzazione fornisce un'introduzione a base di caso alla eccitante, campo di alta domanda di apprendimento automatico. Imparerai ad analizzare insiemi di dati ampi e complessi, creare applicazioni in grado di fare previsioni a partire dai dati, e creare sistemi che si adattano e migliorare nel tempo. [+]

Questa specializzazione fornisce un'introduzione a base di caso alla eccitante, campo di alta domanda di apprendimento automatico. Imparerai ad analizzare insiemi di dati ampi e complessi, creare applicazioni in grado di fare previsioni a partire dai dati, e creare sistemi che si adattano e migliorare nel tempo. Nel progetto finale Capstone, applicherete la tua abilità per risolvere un originale, problema del mondo reale attraverso l'implementazione di algoritmi di apprendimento automatico. Corsi Fondazioni Machine Learning: un approccio caso di studio Non si dispone di dati e chiedo che cosa si può dire? Avete bisogno di una comprensione più profonda dei modi principali in cui l'apprendimento macchina può migliorare il vostro business? Vuoi essere in grado di conversare con gli specialisti su qualsiasi cosa, da regressione e la classificazione per sistemi di apprendimento e di raccomandazione profonde? In questo corso, si otterrà esperienza hands-on con apprendimento automatico da una serie di casi di studio concreti. Al termine del primo corso si avrà studiato come predire i prezzi delle case sulla base di caratteristiche a livello di casa, analizzare il sentimento da recensioni degli utenti, recuperare documenti di interesse, consigliare prodotti, e la ricerca di immagini. Attraverso esercizi pratici con questi casi d'uso, si sarà in grado di applicare i metodi di apprendimento automatico in una vasta gamma di settori. Questo primo corso tratta il metodo di apprendimento automatico come una scatola nera. Utilizzando questa astrazione, si concentrerà sulla comprensione compiti di interesse, abbinando questi compiti agli strumenti di apprendimento automatico, e la valutazione della qualità della produzione. In cicli successivi, si approfondiranno i componenti di questa scatola nera esaminando modelli e algoritmi. Insieme, questi pezzi costituiscono la pipeline di machine learning, che verrà utilizzato nello sviluppo di applicazioni intelligenti. Obiettivi formativi Alla fine di questo corso, si sarà in grado di: - identificare potenziali applicazioni di apprendimento automatico in pratica. - Descrivere le differenze fondamentali nelle analisi abilitati dalla regressione, classificazione e clustering. - Selezionare l'attività di apprendimento automatico appropriato per una potenziale applicazione. - Applicare la regressione, la classificazione, il clustering, il recupero, sistemi di raccomandazione, e l'apprendimento profondo. - Rappresentare i dati come le caratteristiche per servire come input per modelli di apprendimento automatico. - Valutare la qualità del modello in termini di metriche di errore rilevanti per ogni attività. - Utilizzare un set di dati per adattarsi a un modello per analizzare i nuovi dati. - Costruire un'applicazione end-to-end che utilizza l'apprendimento automatico al suo interno. - Attuare queste tecniche in Python. Machine Learning: Regressione Caso di studio - Previsione Housing prezzi nel nostro primo studio caso, prevedere i prezzi delle case, si creerà modelli che prevedono un valore continuo (prezzo) da funzioni di input (metratura, numero di camere da letto e bagni, ...). Questo è solo uno dei molti luoghi dove può essere applicato regressione. Altre applicazioni spaziano da predire gli esiti di salute nel campo della medicina, i prezzi delle azioni nel campo della finanza, e il consumo di energia nel calcolo ad alte prestazioni, ad analizzare quali regolatori sono importanti per l'espressione genica. In questo corso, potrete esplorare modelli di regressione lineare regolarizzati per il compito di previsione e la selezione delle funzioni. Sarete in grado di gestire grandi insiemi di caratteristiche e tra i modelli di varia complessità. Sarà inoltre analizzare l'impatto degli aspetti dei dati e - come valori anomali - sui modelli e le previsioni selezionati. Per montare questi modelli, si implementare algoritmi di ottimizzazione in grado di scalare a grandi insiemi di dati. Obiettivi formativi Alla fine di questo corso, si sarà in grado di: - Descrivere l'ingresso e l'uscita di un modello di regressione. - Confrontare e contrapporre pregiudizi e la varianza nella modellazione dei dati. - Stima dei parametri del modello utilizzando algoritmi di ottimizzazione. - I parametri di sintonia con la convalida incrociata. - Analizzare le prestazioni del modello. - Descrivere il concetto di scarsità e come porta a soluzioni sparse LASSO. - Distribuire metodi per selezionare tra i modelli. - Sfruttare il modello per formare previsioni. - Costruire un modello di regressione per prevedere i prezzi usando un set di dati abitazioni. - Attuare queste tecniche in Python. Machine Learning: Classificazione Casi di studio: Analisi Sentiment & Loan previsione di default nel nostro caso di studio sull'analisi sentimento, si creerà modelli che predicono una classe (positivo / sentimento negativo) da funzioni di input (testo delle recensioni, informazioni del profilo utente, ...). Nel nostro studio secondo caso per questo corso, inadempienza di previsione, si affronteranno i dati finanziari, e prevedere quando un prestito è probabile che sia rischioso o sicuro per la banca. Questi compiti sono un esempio di classificazione, una delle zone più utilizzate di apprendimento automatico, con una vasta gamma di applicazioni, tra cui il targeting degli annunci, di individuazione dello spam, la diagnosi medica e la classificazione delle immagini. In questo corso, si creerà classificatori che forniscono prestazioni di state-of-the-art su una varietà di compiti. Potrai acquisire familiarità con le tecniche di maggior successo, che sono più ampiamente utilizzati nella pratica, tra cui regressione logistica, alberi decisionali e aumentando. Inoltre, si sarà in grado di progettare e implementare gli algoritmi sottostanti che possono imparare questi modelli in scala, utilizzando stocastica salita gradiente. Si implementare queste tecniche sul mondo reale, su larga scala le attività di apprendimento automatico. Sarà inoltre affrontare compiti importanti che si dovranno affrontare in applicazioni reali di ML, tra cui la gestione dei dati mancanti e la misurazione di precisione e richiamare per valutare un classificatore. Questo corso è hands-on, ricco di azione, e pieno di visualizzazioni e le illustrazioni di come queste tecniche si comporteranno su dati reali. Abbiamo incluso anche il contenuto opzionale in ogni modulo, che coprono argomenti avanzati per chi vuole andare ancora più a fondo! Obiettivi di apprendimento: Al termine di questo corso, si sarà in grado di: - Descrivere l'ingresso e l'uscita di un modello di classificazione. - Affrontare entrambi i problemi di classificazione binarie e multiclasse. - Attuare un modello di regressione logistica per la classificazione su larga scala. - Creazione di un modello non lineare utilizzando alberi decisionali. - Migliorare le prestazioni di qualsiasi modello utilizzando amplificazione. - Scala i vostri metodi con stocastica gradiente di salita. - Descrivere i confini decisionali sottostanti. - Costruire un modello di classificazione per prevedere il sentimento in una recensione del prodotto set di dati. - Analizzare i dati finanziari per prevedere inadempienze. - Utilizzare tecniche di manipolazione dei dati mancanti. - Valutare i vostri modelli utilizzando metriche di precisione di richiamo. - Attuare queste tecniche in Python (o nella lingua di vostra scelta, anche se Python è altamente raccomandato). Machine Learning: Clustering & Retrieval Casi di studio: la ricerca dei documenti simili Un lettore è interessato a uno specifico articolo di notizie e si desidera trovare articoli simili a raccomandare. Qual è il giusto concetto di somiglianza? Inoltre, cosa succede se ci sono milioni di altri documenti? Ogni volta che si desidera un recuperare un nuovo documento, non è necessario per la ricerca in tutti gli altri documenti? Come si fa a gruppi di documenti simili insieme? Come si fa a scoprire nuovi temi emergenti che i documenti coprono? In questo terzo caso di studio, ricerca di documenti simili, si esaminerà algoritmi di similarità-based per il recupero. In questo corso, si esaminerà anche rappresentazioni strutturati per descrivere i documenti nel corpus, compresi i modelli di appartenenza misti, come ad esempio l'assegnazione di Dirichlet latente (LDA) clustering e. Si implementare aspettativa di massimizzazione (EM) per imparare i raggruppamenti di documenti, e vedere come scalare i metodi con MapReduce. Obiettivi formativi Alla fine di questo corso, si sarà in grado di: - Creare un sistema di recupero dei documenti utilizzando K-vicini vicini. - Identificare i vari parametri di similarità per i dati di testo. - Ridurre i calcoli in k-vicino ricerca prossimo utilizzando KD-alberi. - Produrre più vicini approssimati utilizzando località hashing sensibili. - Confrontare e contrapporre compiti di apprendimento supervisionato e non supervisionato. - Documenti Cluster per argomento utilizzando k-means. - Descrivere come parallelizzare k-means utilizzando MapReduce. - Esaminare approcci di clustering probabilistici che utilizzano modelli miscele. - Montare una miscela di modello gaussiano con aspettativa di massimizzazione (EM). - Eseguire la modellazione appartenenza mista utilizzando latente allocazione Dirichlet (LDA). - Descrivere le fasi di un campionatore Gibbs e come utilizzare la sua uscita per trarre conclusioni. - Confrontare e le tecniche di inizializzazione contrasto di obiettivi di ottimizzazione non convessa. - Attuare queste tecniche in Python. Machine Learning: di raccomandazione Systems & dimensionalità Riduzione Caso di studio: raccomandare prodotti Come funziona Amazon consiglia prodotti che potrebbe essere interessato ad acquistare? Come Netflix decidere quali film o spettacoli televisivi si potrebbe desiderare di vedere? E se sei un nuovo utente, dovrebbe Netflix consiglia solo i film più popolari? Chi si potrebbe formare un nuovo collegamento con Facebook o LinkedIn? Queste domande sono endemiche per la maggior parte delle industrie di servizi basati su, e alla base del concetto di filtraggio collaborativo e dei sistemi di raccomandazione distribuiti per risolvere questi problemi. In questo quarto caso di studio, potrete esplorare queste idee nel contesto di raccomandare prodotti basati su recensioni dei clienti. In questo corso, potrete esplorare le tecniche di riduzione dimensionalità per la modellazione di dati ad alta dimensionale. Nel caso dei sistemi di raccomandazione, i dati sono rappresentati come le relazioni utente-prodotto, con potenzialmente milioni di utenti e centinaia di migliaia di prodotti. Si implementare matrice fattorizzazione e modelli a fattori latenti per il compito di prevedere nuove relazioni utente-prodotto. Potrai anche utilizzare le informazioni sui prodotti e sui lato agli utenti di migliorare le previsioni. Obiettivi formativi Alla fine di questo corso, si sarà in grado di: - Creazione di un sistema di filtraggio collaborativo. - Ridurre la dimensionalità dei dati utilizzando SVD, PCA, e le proiezioni casuali. - Eseguire la matrice di fattorizzazione utilizzando coordinate discesa. - Distribuire modelli a fattori latenti come un sistema di raccomandazione. - Gestire il problema di avviamento a freddo utilizzando le informazioni lato. - Esaminare un'applicazione raccomandazione del prodotto. - Attuare queste tecniche in Python. Machine Learning Capstone: un'applicazione intelligente con l'apprendimento profondo Vi siete mai chiesti come un recommender prodotto è costruito? Come si può dedurre il sentimento sottostante da recensioni? Come si può estrarre informazioni da immagini per trovare prodotti visivamente simili a raccomandare? Come si costruisce un'applicazione che fa tutte queste cose in tempo reale, e offre un'esperienza utente front-end? Questo è quello che si costruirà in questo corso! Utilizzando quello che hai imparato su machine learning finora, si costruirà un sistema di raccomandazione generale dei prodotti che fa molto di più che trovare prodotti simili Sarà combinare immagini dei prodotti con descrizioni dei prodotti e le loro recensioni per creare un'applicazione intelligente veramente innovativo. Probabilmente avete sentito che Deep Learning sta facendo notizia in tutto il mondo come una delle tecniche più promettenti nel machine learning, in particolare per l'analisi dei dati di immagine. Con ogni settore dedicando risorse per sbloccare il potenziale di apprendimento profondo, per essere competitivi, si vuole utilizzare questi modelli in compiti come il tagging delle immagini, riconoscimento di oggetti, il riconoscimento vocale, e l'analisi del testo. In questo Capstone, potrete costruire modelli di apprendimento profonde con reti neurali, esplorare quello che sono, che cosa fanno, e come. Per rimuovere la barriera introdotto da progettazione, la formazione, e le reti di regolazione, e di essere in grado di raggiungere alte prestazioni con i dati meno marcati, si dovrà anche costruire classificatori di apprendimento profonde su misura per il vostro compito specifico utilizzando modelli pre-addestrati, che noi chiamiamo caratteristiche profonde . Come un pezzo di base di questo progetto chiave di volta, si realizzerà un modello di apprendimento profondo per un'immagine basata su raccomandazione del prodotto. Sarà quindi combinare questo modello visivo con le descrizioni testuali di prodotti e informazioni da recensioni di costruire un eccitante, delle applicazioni end-to-end intelligente che fornisce una nuova esperienza di scoperta del prodotto. Sarà quindi distribuirlo come un servizio, che è possibile condividere con i tuoi amici e potenziali datori di lavoro. Obiettivi formativi Alla fine di questa chiave di volta, si sarà in grado di: - Esplora un set di dati di prodotti, recensioni e immagini. - Costruire una di raccomandazione del prodotto. - Descrivere come un modello di rete neurale è rappresentata e come esso codifica funzioni non lineari. - Combinare diversi tipi di livelli e funzioni di attivazione per ottenere prestazioni migliori. - Utilizzare pre-formato modelli, come caratteristiche profonde, per le nuove attività di classificazione. - Descrivere come questi modelli possono essere applicati in computer vision, analisi del testo e il riconoscimento vocale. - Utilizzare le funzioni visive per trovare i prodotti agli utenti desiderano. - Incorporare recensione sentimento nella raccomandazione. - Costruire un'applicazione end-to-end. - Distribuire come servizio. - Attuare queste tecniche in Python. [-]

Contatto
Indirizzo
USA Online, US