Bouw intelligente apps. Beheers de samenvatting van machinaal leren in vier praktische cursussen.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Deze stage van vooraanstaande onderzoekers van de Universiteit van Washington laat je kennismaken met het spannende en veelgevraagde veld van machine learning. Door middel van een reeks praktische cases krijgt u praktische ervaring op belangrijke gebieden van machine learning, waaronder:
Je leert hoe je grote en complexe datasystemen analyseert, systemen creëert die zich in de loop van de tijd aanpassen en verbeteren, en slimme applicaties bouwt die voorspellingen kunnen doen op basis van data.
Studenten zullen machine learning-algoritmen voor voorspelling, classificatie, clustering en het ophalen van informatie implementeren en implementeren op echte datasets in elke cursus in de specialisatie. Ze vertrokken met praktische ervaring in machine learning en programmeren in Python.
In deze cursus ervaar je machine learning aan de hand van een reeks praktische cases. Aan het einde van de eerste cursus leert u appartementprijzen te voorspellen op basis van appartementkenmerken, emoties uit gebruikersfeedback te analyseren, relevante documenten op te halen, producten aan te bevelen en naar afbeeldingen te zoeken. Door in deze gevallen praktijkgericht te oefenen, kunt u methoden voor machinaal leren op een groot aantal verschillende gebieden toepassen.
Deze cursus behandelt de machine learning-methodologie als een black box. Met behulp van deze abstractie concentreer je je op het begrijpen van relevante taken, het aanpassen van deze taken aan machine learning-tools en het evalueren van de kwaliteit van het product. In de volgende cursussen verken je de componenten van deze black box door modellen en algoritmen te onderzoeken. Samen vormen deze componenten de leermachinepijplijn, die je gaat mobiliseren om intelligente applicaties te ontwikkelen.
In onze eerste testcase, het voorspellen van appartementprijzen, maak je modellen die een continue waarde (prijs) voorspellen op basis van invoerattributen (oppervlakte, aantal kamers en badkamers,…). Dit is slechts één van de vele voorbeelden waarbij hydratatie kan worden toegepast. Andere toepassingen variëren van het voorspellen van gezondheidsresultaten in de geneeskunde, aandelenkoersen in de financiële wereld tot het analyseren van effecten op genexpressie.
In deze cursus verken je reguliere lineaire hydratatiemodellen voor voorspellings- en functieselectietaken. U kunt overweg met zeer grote functiesets en kunt kiezen tussen modellen met verschillende niveaus van complexiteit. Ook analyseer je de impact van verschillende aspecten van je data – zoals uitschieters – op de door jou gekozen modellen en voorspellingen. Om aan deze modellen te voldoen, pas je optimalisatiealgoritmen toe die geschikt zijn voor grote datasets.
In onze testcase voor sentimentanalyse maakt u modellen die klasse (positieve/negatieve sentimenten) voorspellen op basis van invoerfuncties (reviewinhoud, gebruikersprofielinformatie, …). In de tweede testcase van deze cursus, het voorspellen van de terugbetaling van leningen, gaat u om met financiële gegevens en weet u wanneer een lening riskant of veilig kan zijn voor de bank. Deze taken zijn voorbeelden van classificatie, een van de meest gebruikte gebieden van machinaal leren, met een breed scala aan toepassingen, waaronder reclametargeting, spamdetectie, medische diagnose en beeldclassificatie.
In deze cursus maakt u classificaties die topprestaties leveren bij een verscheidenheid aan taken. Je leert over de meest succesvolle, meest gebruikte technieken in het veld, waaronder logistieke hydratatie, beslissingsbomen en stuiteren. Daarnaast ontwerp en implementeer je de basisalgoritmen die deze modellen op schaal kunnen leren, met behulp van stochastische gradiëntstijging. Pas deze technieken toe op echte, grootschalige machine learning-taken. Je zult ook belangrijke taken uitvoeren die je tegenkomt in echte ML-toepassingen, waaronder het omgaan met ontbrekende gegevens en het meten van de nauwkeurigheid en het ophalen om een classificatie te evalueren. Deze cursus is praktijkgericht, vol activiteiten en bevat simulaties en illustraties van hoe deze technieken zich zullen gedragen op echte gegevens. We hebben ook optionele inhoud in elke module opgenomen, die geavanceerde onderwerpen behandelt voor degenen die geïnteresseerd zijn om nog dieper te gaan!
Een lezer is geïnteresseerd in een bepaald nieuwsartikel en u wilt soortgelijke artikelen vinden om aan te bevelen. Wat is het juiste begrip van verbeelding? En wat als er nog miljoenen andere documenten zijn? Moet u elke keer dat u een nieuw document wilt ophalen, door alle andere documenten zoeken? Hoe groepeert u vergelijkbare documenten? Hoe kun je nieuwe en opkomende onderwerpen ontdekken waar de kranten over gaan?
In deze derde testcase, waarbij vergelijkbare documenten worden gevonden, worden algoritmen op basis van gelijkenis T-onderzocht om ze terug te vinden. In deze cursus onderzoek je ook gestructureerde representaties voor het beschrijven van de documenten in het corpus, inclusief clustering en gemengde lidmaatschapsmodellen, zoals Latent Dirichlet Allocation (LDA). Je past Expected Optimization (EM) toe om de documentclusters te leren kennen, en je krijgt een voorbeeld om de methoden uit te breiden met behulp van MapReduce.
