-
Этот курс посвящен основам машинного обучения с использованием распространенного языка программирования — Python. \Курс включает два основных раздела.
Во-первых, вы узнаете о целях и задачах машинного обучения и способах применения этой технологии для решения реальных задач.
Во-вторых, вы получите общее представление об отличиях между свободным и контролируемым машинным обучением, оценке моделей и алгоритмах машинного обучения.
В рамках этого курса вы рассмотрите возможности применения технологий машинного обучения на практике и убедитесь в том, что они влияют на окружающий мир больше, чем вы могли себе представить!
Для этого вам понадобится посвятить курсу всего несколько часов в неделю на протяжении нескольких недель.
1) Новые навыки для резюме: регрессия, систематизация, кластеризация, Scikit-learn и SciPy
2) Новые проекты для вашего портфолио, в том числе в сферах диагностики рака, прогнозирования экономических тенденций, прогнозирования оттока клиентов, рекомендательных систем и многое другое.
3) Сертификат о прохождении курса «Машинное обучение», подтверждающий вашу квалификацию который можно предъявлять физически и виртуально, например добавить к профилю в LinkedIn и других социальных сетях.
Если вы пройдете этот курс и получите сертификат Coursera, то также получите цифровой значок IBM.
Overview
Syllabus
-
- Введение в машинное обучение
- На этой неделе вы узнаете о способах применения технологий машинного обучения в различных сферах: здравоохранении, банковском деле, телекоммуникациях и т. д. Вы получите общее представление об отличиях между свободным и контролируемым машинным обучением и способах использования каждого из описанных алгоритмов. Также вы узнаете о преимуществах библиотек Python для реализации моделей машинного обучения.
- Регрессия
- На этой неделе вы получите общее представление о регрессии. Вы узнаете, что такое простая и множественная, линейная и нелинейная регрессия, и как их применять на практике. Затем вы примените полученные знания на практике: на двух наборах данных в рамках лабораторной работы. Также вы узнаете, как проводить оценку созданной регрессионной модели и рассчитывать ее точность.
- Классификация
- На этой неделе вы узнаете, что такое методы классификации. Вы получите навыки работы с различными классификационными алгоритмами, в том числе методом k-ближайших соседей, деревом принятия решения, логистической регрессией и методом опорных векторов. Кроме того, вы узнаете о преимуществах и недостатках каждого из представленных методов и ознакомитесь с различными показателями точности классификации.
- Кластеризация
- В этом разделе описаны различные методы кластеризации. Вы научитесь использовать кластеризацию для сегментирования клиентов, группировать схожие транспортные средства и создавать кластеры погодных станций. Вы ознакомитесь с 3 основными типами кластеризации: кластеризацией на основе неиерахического разделения, иерархической кластеризацией и кластеризацией на основе плотности.
- Рекомендательные системы
- В этом модуле вы изучите рекомендательные системы. Сначала вы ознакомитесь с понятием «рекомендательные системы», затем рассмотрите два основных типа рекомендательных систем: основанные на контенте и с коллаборативной фильтрацией.
- Заключительный проект
- При изучении этого модуля вы выполните проект на основе изученного ранее материала. По завершению проекта вы отправите отчет на рассмотрение коллегам по курсу.
