Создавайте интеллектуальные приложения. Освойте основы машинного обучения за четыре практических курса.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Эта стажировка ведущих исследователей Вашингтонского университета познакомит вас с интересной и востребованной областью машинного обучения. Благодаря серии практических примеров вы получите практический опыт в ключевых областях машинного обучения, в том числе:
Вы узнаете, как анализировать большие и сложные системы данных, создавать системы, которые адаптируются и совершенствуются с течением времени, а также создавать интеллектуальные приложения, которые могут делать прогнозы на основе данных.
В каждом курсе по специализации учащиеся будут внедрять и внедрять алгоритмы прогнозирования, классификации, кластеризации и поиска информации с помощью машинного обучения на реальных наборах данных. Они ушли с практическим опытом в области машинного обучения и программирования на Python.
В этом курсе вы познакомитесь с машинным обучением на серии практических примеров. В конце первого курса вы научитесь прогнозировать цены на квартиры на основе ее характеристик, анализировать эмоции от отзывов пользователей, находить соответствующие документы, рекомендовать товары и искать изображения. Благодаря практической практике в этих случаях вы сможете применять методы машинного обучения в самых разных областях.
В этом курсе методология машинного обучения рассматривается как черный ящик. Используя эту абстракцию, вы сосредоточитесь на понимании соответствующих задач, адаптации этих задач к инструментам машинного обучения и оценке качества продукта. На следующих курсах вы изучите компоненты этого черного ящика, изучая модели и алгоритмы. Вместе эти компоненты образуют конвейер обучающейся машины, который вы будете использовать для разработки интеллектуальных приложений.
В нашем первом тестовом примере, прогнозирующем цены на квартиры, вы создадите модели, которые прогнозируют непрерывное значение (цену) на основе входных атрибутов (площадь, количество комнат и ванных комнат…). Это лишь один из многих примеров применения гидратации. Другие применения варьируются от прогнозирования последствий для здоровья в медицине, цен на акции в финансах до анализа влияния на экспрессию генов.
В этом курсе вы изучите обычные модели линейной гидратации для задач прогнозирования и выбора функций. Вы сможете работать с очень большими наборами функций и выбирать между моделями разного уровня сложности. Вы также проанализируете влияние различных аспектов ваших данных (например, выбросов) на выбранные вами модели и прогнозы. Чтобы соответствовать этим моделям, вы примените алгоритмы оптимизации, которые подходят для больших наборов данных.
В нашем тестовом примере анализа настроений вы создадите модели, которые прогнозируют класс (положительные/отрицательные настроения) на основе входных функций (содержимое обзора, информация профиля пользователя и т. д.). Во втором тестовом примере этого курса — прогнозировании погашения кредита — вы будете обрабатывать финансовые данные и знать, когда кредит может быть рискованным или безопасным для банка. Эти задачи являются примерами классификации — одной из наиболее широко используемых областей машинного обучения с широким спектром применений, включая таргетинг рекламы, обнаружение спама, медицинскую диагностику и классификацию изображений.
В этом курсе вы создадите классификаторы, обеспечивающие первоклассную производительность при выполнении различных задач. Вы узнаете о наиболее успешных и наиболее широко используемых методах в этой области, включая логистическую гидратацию, деревья решений и отказ. Кроме того, вы разработаете и реализуете базовые алгоритмы, которые смогут изучать эти модели в большом масштабе, используя стохастический градиентный подъем. Примените эти методы к реальным крупномасштабным задачам машинного обучения. Вы также будете решать важные задачи, с которыми вы столкнетесь в реальных приложениях ML, включая обработку недостающих данных, измерение точности и извлечение для оценки классификатора. Этот курс является практическим, полным мероприятий и включает моделирование и иллюстрации того, как эти методы будут вести себя на реальных данных. Мы также включили дополнительный контент в каждый модуль, охватывающий сложные темы для тех, кто хочет пойти еще глубже!
Читателя интересует конкретная новостная статья, и вы хотите найти похожие статьи, чтобы порекомендовать его. Какова правильная концепция воображения? Более того, что, если других документов миллионы? Каждый раз, когда вы захотите получить новый документ, придется ли вам искать все остальные документы? Как группировать похожие документы? Как вы можете обнаружить новые и возникающие темы, о которых говорится в статьях?
В этом третьем тестовом примере, при поиске похожих документов, для поиска используются алгоритмы T-исследования, основанные на сходстве. В этом курсе вы также изучите структурированные представления для описания документов в корпусе, включая модели кластеризации и смешанного членства, такие как скрытое распределение Дирихле (LDA). Вы примените ожидаемую оптимизацию (EM) для изучения кластеров документов и получите пример расширения методов с помощью MapReduce.
