Coursera

Introduction

Lire la description officielle

Notre Mission

Coursera est une plate-forme d'éducation que les partenaires avec les meilleures universités et organisations à travers le monde, pour offrir des cours en ligne pour quiconque de prendre, gratuitement.

Nous envisageons un avenir où tout le monde a accès à une éducation de classe mondiale. Nous visons à permettre aux personnes ayant fait des études qui permettront d'améliorer leur vie, la vie de leurs familles et les communautés dans lesquelles ils vivent.

Comment ça marche?

Découvrez un cours et vous inscrire dès aujourd'hui

Choisissez parmi plus de 400 cours créés par les établissements d'enseignement supérieur du monde.

Apprenez à votre rythme

Regarder des conférences de courtes vidéos, prendre des jeux interactifs, des évaluations par les pairs classés complets, et se connecter avec ses camarades de classe et les enseignants.

Atteignez vos objectifs

Terminez votre classe et obtenir la reconnaissance de votre réussite.

Notre approche

L'expérience Coursera

Il est simple. Nous voulons aider les élèves apprennent mieux - et plus rapidement. Voilà pourquoi nous avons conçu notre plate-forme basée sur des méthodes pédagogiques éprouvées vérifiées par les meilleurs chercheurs. Voici 4 idées clés qui ont influencé dans l'élaboration de notre vision:

Efficacité de l'apprentissage en ligne

L'apprentissage en ligne joue un rôle important dans une éducation permanente. En fait, un récent rapport de l'US Department of Education a conclu que «les classes avec l'apprentissage en ligne (si enseigné entièrement en ligne ou mixte) en moyenne produisent des résultats d'apprentissage des élèves plus forts que ne le font les classes avec uniquement instruction en face-à-face."

l'apprentissage de la maîtrise

Basé sur une approche développée par le psychologue de l'éducation Benjamin Bloom, Mastery Learning aide les élèves à comprendre pleinement un sujet avant de passer à un sujet plus avancé. Sur Coursera, nous donnons généralement une rétroaction immédiate sur un concept un étudiant ne comprenait pas. Dans de nombreux cas, nous fournissons versions randomisées de la cession si un étudiant peut ré-étude et une nouvelle tentative de devoirs.

Évaluations par les pairs

Dans de nombreux cours, missions les plus significatives ne peuvent pas être facilement classés par un ordinateur. Voilà pourquoi nous utilisons évaluations par les pairs, où les étudiants peuvent évaluer et fournir une rétroaction sur le travail de l'autre. Cette technique a été démontré dans de nombreuses études pour aboutir à des commentaires précis pour l'élève et une expérience d'apprentissage précieuse pour la niveleuse.

L'apprentissage mixte

Beaucoup de nos institutions partenaires utilisent notre plate-forme en ligne de fournir à leurs étudiants sur le campus avec une expérience d'apprentissage amélioré. Ce modèle mixte de l'apprentissage a démontré dans des études pour augmenter l'engagement des élèves, l'assiduité et la performance.

Cet établissement propose des programmes en :
  • Anglais

Voir les cours »

Programmes

Cette école propose également:

Cours

Bien Sûr Dans L'apprentissage De La Machine (intermédiaire)

En ligne Temps partiel 8 mois Inscription libre États-Unis d'Amérique États-Unis en ligne

Cette spécialisation offre une introduction à l'excitant, domaine de l'apprentissage de la machine à forte demande basée sur les cas. Vous apprendrez à analyser de grandes et complexes ensembles de données, construire des applications qui peuvent faire des prédictions à partir des données, et de créer des systèmes qui adaptent et améliorer au fil du temps. [+]

Cette spécialisation offre une introduction à l'excitant, domaine de l'apprentissage de la machine à forte demande basée sur les cas. Vous apprendrez à analyser de grandes et complexes ensembles de données, construire des applications qui peuvent faire des prédictions à partir des données, et de créer des systèmes qui adaptent et améliorer au fil du temps. Dans le projet Capstone finale, vous allez appliquer vos compétences pour résoudre un problème d'origine du monde réel grâce à la mise en œuvre des algorithmes d'apprentissage machine. Cours Fondations Machine Learning: une approche d'étude de cas Avez-vous des données et se demander ce qu'il peut vous dire? Avez-vous besoin d'une compréhension plus profonde des façons de base dans lequel l'apprentissage machine peuvent améliorer votre entreprise? Voulez-vous être en mesure de converser avec des spécialistes au sujet de quoi que ce soit de la régression et de la classification des systèmes d'apprentissage et de recommender profondes? Dans ce cours, vous aurez une expérience pratique sur l'apprentissage de la machine à partir d'une série d'études de cas pratiques. A la fin du premier cours, vous avez étudié comment prédire les prix des maisons en fonction de caractéristiques maison niveau, d'analyser le sentiment de commentaires des utilisateurs, récupérer des documents d'intérêt, recommander des produits, et la recherche d'images. Grâce à des exercices pratiques avec ces cas d'utilisation, vous serez en mesure d'appliquer des méthodes d'apprentissage automatique dans un large éventail de domaines. Ce premier cours traite la méthode d'apprentissage de la machine comme une boîte noire. L'utilisation de cette abstraction, vous allez vous concentrer sur la compréhension des tâches d'intérêt, correspondant à ces tâches à des outils d'apprentissage de la machine, et l'évaluation de la qualité de la production. Dans les cours suivants, vous plonger dans les composants de cette boîte noire en examinant des modèles et des algorithmes. Ensemble, ces pièces forment le pipeline d'apprentissage de la machine, que vous allez utiliser dans le développement d'applications intelligentes. Résultats d'apprentissage: À la fin de ce cours, vous serez en mesure de: - Identifier les applications potentielles de l'apprentissage automatique dans la pratique. - Décrire les différences fondamentales dans les analyses rendues possibles par la régression, la classification, et le regroupement. - Sélectionnez la tâche d'apprentissage de la machine appropriée pour une application potentielle. - Appliquer la régression, la classification, le regroupement, la récupération, les systèmes de recommandation, et l'apprentissage en profondeur. - Représenter vos données caractéristiques pour servir à alimenter les modèles d'apprentissage de la machine. - Évaluer la qualité du modèle en termes de mesures d'erreur pertinentes pour chaque tâche. - Utiliser un ensemble de données pour ajuster un modèle pour analyser les nouvelles données. - Construire une application de bout en bout qui utilise l'apprentissage de la machine à sa base. - Mettre en œuvre ces techniques en Python. Machine Learning: Régression Étude de cas - Prédire Prix des logements Dans notre première étude de cas, la prévision des prix de l'immobilier, vous allez créer des modèles qui prédisent une valeur continue (prix) à partir de caractéristiques d'entrée (superficie, nombre de chambres et salles de bains, ...). Ceci est juste l'un des nombreux endroits où la régression peut être appliquée. D'autres applications vont de prédire les résultats de la santé en médecine, les cours des actions dans la finance et la consommation d'énergie dans le calcul haute performance, à l'analyse que les régulateurs sont importants pour l'expression des gènes. Dans ce cours, vous allez explorer des modèles de régression linéaire régularisés pour la tâche de la prédiction et la sélection des fonctionnalités. Vous serez en mesure de gérer de très grands ensembles de caractéristiques et de choisir entre les modèles de complexité variable. Vous pourrez également analyser l'impact des aspects de vos données - telles que les valeurs aberrantes - sur vos modèles et les prévisions sélectionnées. Pour adapter ces modèles, vous mettrez en œuvre des algorithmes d'optimisation qui évoluent à de grands ensembles de données. Résultats d'apprentissage: À la fin de ce cours, vous serez en mesure de: - Décrire l'entrée et la sortie d'un modèle de régression. - Comparer et biais et la variance lors de la modélisation des données. - Les paramètres du modèle d'estimation en utilisant des algorithmes d'optimisation. - Paramètres de Tune avec validation croisée. - Analyser la performance du modèle. - Décrire la notion de parcimonie et comment conduit à des solutions clairsemées LASSO. - Déployer des méthodes pour choisir entre les modèles. - Exploiter le modèle pour former des prédictions. - Construire un modèle de régression pour prédire les prix en utilisant un ensemble de données de logement. - Mettre en œuvre ces techniques en Python. Machine Learning: Classification Études de cas: Analyse Sentiment & Loan Default Prédiction Dans notre étude de cas sur l'analyse de sentiment, vous allez créer des modèles qui prédisent une classe (sentiment positif / négatif) à partir de caractéristiques d'entrée (texte des commentaires, des informations de profil d'utilisateur, ...). Dans notre deuxième étude de cas pour ce cours, les prévisions de prêt par défaut, vous aborderez des données financières, et prédire quand un prêt est susceptible d'être à risque ou danger pour la banque. Ces tâches sont un des exemples de classification, l'une des zones les plus largement utilisés de l'apprentissage de la machine, avec un large éventail d'applications, y compris le ciblage des annonces, la détection de spam, le diagnostic médical et la classification des images. Dans ce cours, vous allez créer des classificateurs qui fournissent des performances state-of-the-art sur une variété de tâches. Vous vous familiariserez avec les techniques les plus performantes, qui sont les plus largement utilisés dans la pratique, y compris la régression logistique, les arbres de décision et le renforcement. En outre, vous serez en mesure de concevoir et de mettre en œuvre les algorithmes sous-jacents qui peuvent apprendre ces modèles à l'échelle, en utilisant stochastique gradient ascension. Vous mettre en œuvre ces techniques sur le monde réel, les tâches d'apprentissage automatique à grande échelle. Vous pourrez également répondre à des tâches importantes que vous devrez faire face dans les applications du monde réel de ML, y compris le traitement des données manquantes et de mesure de précision et de rappel pour évaluer un classificateur. Ce cours est pratique, bourré d'action, et plein de visualisations et des illustrations de la façon dont ces techniques vont se comporter sur des données réelles. Nous avons également inclus le contenu optionnel dans chaque module, couvrant des sujets avancés pour ceux qui veulent aller encore plus loin! Objectifs d'apprentissage: À la fin de ce cours, vous serez en mesure de: - Décrire l'entrée et la sortie d'un modèle de classification. - Lutter contre les problèmes de classification binaires et multiclasses. - Mettre en œuvre un modèle de régression logistique pour la classification à grande échelle. - Créer un modèle non-linéaire en utilisant des arbres de décision. - Améliorer la performance de tout modèle utilisant stimulant. - Echelle vos méthodes avec gradient stochastique ascension. - Décrire les limites de décision sous-jacentes. - Construire un modèle de classification pour prédire le sentiment dans une revue de produit ensemble de données. - Analyser les données financières pour prédire les défauts de paiement. - Utiliser des techniques de traitement des données manquantes. - Évaluez vos modèles en utilisant des mesures de précision rappel. - Mettre en œuvre ces techniques en Python (ou dans la langue de votre choix, si Python est fortement recommandé). Machine Learning: Clustering & Retrieval Études de cas: Trouver des documents similaires Un lecteur est intéressé par un article de nouvelles spécifiques et que vous souhaitez trouver des articles similaires à recommander. Quelle est la bonne notion de similitude? En outre, s'il y a des millions d'autres documents? Chaque fois que vous voulez un récupérer un nouveau document, avez-vous besoin de chercher dans tous les autres documents? Comment avez-vous des documents similaires groupe ensemble? Comment comptez-vous découvrir de nouveaux thèmes émergents que les documents couvrent? Dans cette troisième étude de cas, la recherche de documents similaires, vous examinerez des algorithmes basés similarité-pour la récupération. Dans ce cours, vous aurez également examiner des représentations structurées pour décrire les documents dans le corpus, y compris le regroupement et les modèles d'adhésion mixtes, telles que l'allocation Dirichlet latente (LDA). Vous mettrez en œuvre maximisation des attentes (EM) pour apprendre les clusterings de documents, et de voir comment à l'échelle les méthodes utilisant MapReduce. Résultats d'apprentissage: À la fin de ce cours, vous serez en mesure de: - Créer un système de recherche de documents en utilisant k plus proches voisins. - Identifier les différentes métriques de similarité pour les données textuelles. - Réduire les calculs à la recherche de voisin k-plus proche en utilisant KD-arbres. - Produire approximatifs voisins les plus proches en utilisant la localité hachage sensible. - Comparer et tâches d'apprentissage supervisées ou non. - Documents de cluster par sujet en utilisant k-means. - Décrire comment paralléliser k-means utilisant MapReduce. - Examiner les approches de clustering probabilistes en utilisant des modèles de mélanges. - Mettre en place un mélange de modèle gaussien en utilisant l'attente de maximisation (EM). - Effectuer la modélisation de la composition mixte en utilisant l'allocation Dirichlet latente (LDA). - Décrire les étapes d'un échantillonneur de Gibbs et comment utiliser sa sortie de tirer des conclusions. - Comparer et techniques contraste d'initialisation pour objectifs d'optimisation non convexes. - Mettre en œuvre ces techniques en Python. Machine Learning: Recommender Systems & dimensionnalité Réduction Étude de cas: Recommandant Produits Comment ne recommande Amazon produits que vous pourriez être intéressé par l'achat? Comment Netflix décider quels films ou émissions de télévision que vous pouvez regarder? Que faire si vous êtes un nouvel utilisateur, devrait Netflix recommander simplement des films les plus populaires? Qui pourrait vous former un nouveau lien avec Facebook ou LinkedIn? Ces questions sont endémiques à la plupart des industries de services, et sous-tendent la notion de filtrage collaboratif et les systèmes de recommandation déployés pour résoudre ces problèmes. Dans cette quatrième étude de cas, vous allez explorer ces idées dans le contexte de recommander des produits basés sur les évaluations des clients. Dans ce cours, vous allez explorer des techniques de réduction de la dimensionnalité pour la modélisation des données de grande dimension. Dans le cas des systèmes de recommandation, vos données sont représentés comme des relations utilisateur-produit, avec potentiellement des millions d'utilisateurs et des centaines de milliers de produits. Vous mettrez en œuvre la matrice factorisation et les modèles de facteurs latents pour la tâche de prédire de nouvelles relations utilisateur-produit. Vous pourrez également utiliser les informations côté sur les produits et les utilisateurs pour améliorer les prédictions. Résultats d'apprentissage: À la fin de ce cours, vous serez en mesure de: - Créer un système de filtrage collaboratif. - Réduire la dimensionnalité des données en utilisant SVD, PCA, et les projections aléatoires. - Effectuer la matrice factorisation en utilisant coordonner la descente. - Déployer des modèles de facteurs latents comme un système de recommandation. - Manipuler le problème de démarrage à froid à l'aide des informations latérales. - Examiner une demande de recommandation de produit. - Mettre en œuvre ces techniques en Python. Machine Learning Capstone: Une application intelligente avec l'apprentissage en profondeur Avez-vous déjà demandé comment un recommandataire de produit est construit? Comment vous pouvez déduire le sentiment sous-jacent d'avis? Comment vous pouvez extraire des informations à partir d'images pour trouver des produits visuellement similaires à recommander? Comment construire une application qui fait toutes ces choses en temps réel, et fournit une expérience utilisateur front-end? Voilà ce que vous allez construire dans ce cours! En utilisant ce que vous avez appris sur l'apprentissage de la machine jusqu'à présent, vous allez construire un système de recommandation générale des produits qui fait beaucoup plus que de trouver simplement des produits similaires Vous combiner des images de produits avec des descriptions de produits et leurs commentaires pour créer une application intelligente vraiment innovante. Vous avez probablement entendu dire que l'apprentissage en profondeur fait nouvelles à travers le monde comme l'une des techniques les plus prometteuses en matière d'apprentissage de la machine, en particulier pour l'analyse des données d'image. Avec toutes les industries consacrant des ressources à libérer le potentiel de l'apprentissage en profondeur, pour être compétitif, vous voudrez utiliser ces modèles dans des tâches telles que l'image de marquage, la reconnaissance d'objets, la reconnaissance vocale, et de l'analyse de texte. Dans cette pierre angulaire, vous allez construire des modèles d'apprentissage en profondeur à l'aide de réseaux de neurones, d'explorer ce qu'ils sont, ce qu'ils font, et comment. Pour supprimer la barrière introduite par la conception, la formation et réseaux d'accord, et d'être en mesure d'atteindre des performances élevées avec des données étiquetées moins, vous aussi construire des classificateurs d'apprentissage en profondeur adaptées à votre tâche spécifique en utilisant des modèles pré-formés, que nous appelons caractéristiques profondes . Comme un morceau de ce projet de fin de base, vous mettre en œuvre un modèle d'apprentissage profond pour le produit de recommandation basé sur l'image. Vous serez alors combiner ce modèle visuel avec des descriptions textuelles des produits et des informations de commentaires pour construire une application intelligente passionnant, de bout en bout qui offre une expérience de découverte de produit nouveau. Vous aurez alors la déployer comme un service, que vous pouvez partager avec vos amis et les employeurs potentiels. Résultats d'apprentissage: À la fin de cette pierre angulaire, vous serez en mesure de: - Découvrir un ensemble de données de produits, de critiques et d'images. - Construire un recommender produit. - Décrivez comment un modèle de réseau neuronal est représenté et comment il code les caractéristiques non-linéaires. - Combinez différents types de couches et les fonctions d'activation pour obtenir de meilleures performances. - Utiliser des modèles pré-entraîné, comme caractéristiques profondes, pour les nouvelles tâches de classification. - Décrivez comment ces modèles peuvent être appliqués en vision par ordinateur, l'analyse de texte et la reconnaissance vocale. - Utiliser les fonctions visuelles pour trouver les produits que vos utilisateurs veulent. - Incorporer examen sentiment dans la recommandation. - Construire une application de bout en bout. - Déployer en tant que service. - Mettre en œuvre ces techniques en Python. [-]

Contact
Adresse de l'endroit
USA Online, US