在线课程 – 华盛顿大学机器学习专业认证

机器学习：案例研究方法

课程 1 • 18 小时 • 4.6 （13,442 个等级）

课程详情

学习内容

• 您是否有数据，并且想知道它们能告诉您什么？
• 您是否需要更深入地了解机器学习可以改善您的业务的方式？
• 您是否希望能够与专家讨论从水合和分类到深度学习机器和推荐系统的所有内容？

在本课程中，您将通过一系列实际案例体验机器学习。在第一门课程结束时，您将学习根据公寓的特点预测公寓价格，分析用户反馈的情绪，检索相关文档，推荐产品以及搜索图片。通过在这些情况下的动手实践，您将能够在广泛的领域应用机器学习方法。

本课程将机器学习方法视为黑匣子。通过这种抽象，您将专注于理解相关任务，使这些任务适应机器学习工具，以及评估产品的质量。在以下课程中，您将通过检查模型和算法来探索此黑盒的组件。这些组件共同构成了学习机器的管道，这些机器将被调动起来开发智能应用程序。

学习成果： 在本课程结束时，您将能够：

• 确定机器学习在现场的潜在应用。
• 描述水合、分类和聚类支持的分析中的主要差异。
• 为潜在应用程序选择合适的机器学习任务。
• 实施水合、分类、聚类、检索、推荐系统和深度学习机器。
• 将数据视为要用作机器学习模型输入的特征。
• 根据与每项任务相关的误差指标评估模型的质量。
• 利用数据集定制模型以分析新数据。
• 构建以机器学习为核心的端到端应用程序。
• 在 Python 中应用这些技术。

您将获得的技能

• 类别： Python 编程
• 类别： 学习机器概念
• 类别： 学习机器
• 类别： 深度学习机器

学习机器：水合

课程 2 • 22 小时 • 4.8 （5,560 个等级）

课程详情

学习内容

• 案例研究 – 预测房价

在我们的第一个案例研究 预测公寓价格 中，您将创建根据输入属性 （空间、房间数和浴室,…） 预测连续价值 （价格） 的模型。这只是可以应用补水的众多例子之一。其他应用范围从预测医学中的健康结果、金融中的股票价格到分析对基因表达的影响。

在本课程中，您将探索用于预测和特征选择任务的规则线性水合模型。您将能够处理非常大的特征集，并在具有不同复杂程度的模型之间进行选择。您还将分析数据的不同方面（如异常）对所选模型和预测的影响。为了拟合这些模型，您将实现可以拟合大型数据集的优化算法。

学习成果： 在本课程结束时，您将能够：

• 描述水合模型的输入和输出。
• 在对数据进行建模时比较和对比偏差和变化。
• 使用优化算法估计模型参数。
• 使用交叉验证调整参数。
• 分析模型的性能。
• 描述稀疏性的概念以及 LASSO 如何导致稀疏解。
• 运行方法以在模型之间进行选择。
• 利用该模型进行预测。
• 使用住房领域的数据集构建用于价格预测的水合模型。
• 在 Python 中应用这些技术。

您将获得的技能

• 类别： 线性水合作用
• 类别： Hydration Ridge
• 类别： 套索（统计）
• 类别： 水合分析

学习机器：分类

课程 3 • 21 小时 • 4.7 （3,725 个等级）

课程详情

学习内容

• 案例研究：情绪分析和贷款发放预测

在我们的情绪分析案例研究中，您将创建从输入属性（评论内容、用户个人资料信息,…）预测类别（积极/消极情绪）的模型。在本课程的第二个测验案例 Loan Lining Forecasting 中，您将处理财务数据并在贷款对银行来说可能有风险或安全时保留。这些任务是分类的示例，分类是学习机中使用最广泛的领域之一，具有广泛的应用，包括定向广告、垃圾邮件检测、医疗诊断和图像分类。

在本课程中，您将创建在各种任务中提供一流性能的分类器。您将了解该领域广泛使用的最成功的技术，包括物流水合作用、决策树和跳跃。此外，您将能够设计和实现基本算法，这些算法可以使用随机梯度增量大规模学习这些模型。您将这些技术应用于实际和大规模的机器学习任务。您还将面临在实际 ML 应用程序中遇到的重要任务，包括处理缺失数据以及测量准确性和检索以评估分类器。本课程实用、动感十足，包括这些技术在真实数据上的行为模拟和插图。我们还在每个模块中都包含可选内容，为那些想要更深入地了解的人提供高级主题！

学习目标： 在本课程结束时，您将能够：

• 描述分类模型的输入和输出。
• 处理二元和多经典分类问题。
• 实施用于大规模分类的物流水合模型。
• 使用决策树创建非线性模型。
• 通过弹跳提高任何模型的性能。
• 通过随机梯度上升来增加您的方法。
• 描述决策的界限。
• 构建分类模型以预测产品评论数据集中的情绪。
• 分析财务数据以预测贷款再融资。
• 使用技术解决缺失数据。
• 使用检索准确性指标评估您的模型。
• 在 Python（或您选择的语言，尽管强烈建议使用 Python）中应用这些技术。

您将获得的技能

• 类别： 物流水化
• 类别： 统计分类
• 类别： 分类算法
• 类别： 决策树

学习机器：聚类和检索

课程 4 • 17 小时 • 4.7 （2,354 个评分）

课程详情

学习内容

• 案例研究：查找相似文档

读者对特定新闻文章感兴趣，您希望查找类似的文章进行推荐。什么是正确的想象概念？此外，如果有数百万个其他文档，会发生什么情况？每次要检索新文档时，是否必须搜索所有其他文档？如何将相似的文档组合在一起？您如何发现文档所涉及的新主题和新兴主题？

在第三个案例研究中，查找相似文档，您将检查基于检索相似性的算法。在本课程中，您还将研究结构化表示来描述语料库中的文档，包括聚类和混合公司模型，例如隐藏目录分配 （LDA）。实现 Coated Optimization （EM） 来学习文档集群，您将有一个使用 MapReduce 扩展方法的示例。

学习成果： 在本课程结束时，您将能够：

• 使用 K 最近邻创建文档检索系统。
• 识别与文本数据的不同相似之处。
• 使用 KD 树减少搜索 k 最近邻的计算。
• 使用位置敏感哈希推导出最近邻的近似值。
• 比较和对比监督学习和无监督学习任务。
• 使用 k-means 按主题对文档进行分组。
• 描述如何使用 MapReduce 并行化 k-means。
• 检查混合模型使用中的概率聚类方法。
• 使用 Coated Optimization （EM） 调整高斯混合模型。
• 使用 Hidden Directory Allocation （LDA） 执行混合公司模型。
• 描述 Gibbs 采样器的步骤以及如何使用其输出得出结论。
• 比较和对比非凸对象的引导技术。
• 在 Python 中应用这些技术。

您将获得的技能

• 类别： 数据聚类算法
• 类别： K-Means 聚类
• 类别： 学习机器
• 类别： K-D 树