Coursera

Sissejuhatus

Loe ametlikku kirjeldust

Meie missioon

Coursera on hariduse platvorm, et partnerite tipptasemel ülikoole ja organisatsioonid üle kogu maailma, et pakkuda kursusi online, et keegi võtab, tasuta.

Me kujutlevad tulevikku, kus kõigil on juurdepääs maailmatasemel haridus. Meie eesmärk on anda inimestele hariduse, mis parandab nende elu, elu nende perede ja kogukondade nad elavad.

Kuidas see töötab?

Avasta käigus ja registreerida täna

Vali 400 + kursust loodud maailma top õppeasutusi.

Õpi oma ajakava

Vaata lühike video loenguid, võtta interaktiivne viktoriinid, täielik peer sorteeritud hinnanguid ning ühendada klassikaaslaste ja õpetajatega.

Saavutada oma eesmärke

Lõpeta oma klassi ja saada tunnustust oma saavutus.

Meie lähenemine

Coursera kogemus

See on lihtne. Me tahame, et aidata õpilastel paremini õppida - ja kiiremini. Sellepärast oleme loonud meie platvorm põhineb tõestatud õpetamismeetodeid kontrollitud tippteadlased. Siin on 4 peamist ideed, mis olid mõjukad kujundavad meie visioon:

Tulemuslikkust e-õppe

Online-õpe mängib olulist rolli elukestva õppe. Tegelikult hiljutises aruandes US Department of Education leidis, et "klasside e-õppe (kas õpetatakse täiesti online või segatud) keskmiselt tootma tugevam õpilase õpitulemusi kui teha klassid koos ainult näost-näkku õpet."

Meisterlikkuse õppimine

Tuginedes väljatöötatud lähenemisviisile psühholoogi Benjamin Bloom, Meisterlikkuse õppimine aitab õpilastel mõista täielikult teemat enne kolimist peale rohkem arenenud teema. On Coursera me tavaliselt kohe tagasisidet mõiste õpilane ei saanud aru. Paljudel juhtudel pakume randomiseeritud versioonid määramise nii üliõpilane saab uuesti uurida ja uuesti proovima kodutöö.

Peer hinnangud

Paljudel kursused, kõige tähendusrikkam ülesandeid ei ole võimalik lihtsalt sorteeritud arvuti. Sellepärast me kasutame peer hinnanguid, kus õpilased saavad hinnata ja anda tagasisidet üksteise tööd. See tehnika on näidanud paljud uuringud kaasa täpne tagasisidet õpilase ja väärtuslik õppimise kogemus teehöövel.

Lõimitud õpe

Paljud meie partner institutsioonid, kasutades meie online platvorm pakkuda oma on-campus õpilased parema õppimise kogemus. See segatud mudel õppimine on näidanud uuringud, et tõsta õpilaste kaasamine, osalemine ja tulemuslikkus.

See kool pakub järgmisi programme:
  • Inglise

Vaata kursuseid »

Programmid

See ülikool pakub ka:

Kursused

Muidugi Masin õppe (vahe)

Online Osaajaga 8 kuud Avatud registreerimine Ameerika Ühendriigid USA Online

See eriala pakub juhupõhist sissejuhatus põnev, suure nõudluse valdkonnas Tehisõppe. Te õpite analüüsima suurte ja keerukate andmekogumite, luua rakendusi, mida saab teha ennustusi andmete ja luua süsteeme, mis kohandada ja täiustada aja jooksul. [+]

See eriala pakub juhupõhist sissejuhatus põnev, suure nõudluse valdkonnas Tehisõppe. Te õpite analüüsima suurte ja keerukate andmekogumite, luua rakendusi, mida saab teha ennustusi andmete ja luua süsteeme, mis kohandada ja täiustada aja jooksul. Viimases nurgakiviks Projekt, saate rakendada oma oskusi lahendada originaal, reaalse maailma probleeme, rakendades selleks masinõpe algoritme. Kursused Machine Learning Foundations: juhtumiuuring lähenemine Kas teil on andmeid ja ei tea, mida see teile öelda? Kas teil on vaja sügavamat arusaamist põhilisi viise, kuidas masinõpe saab parandada oma äri? Kas soovite, et oleks võimalik vestelda spetsialistid midagi regressiooni ja liigitus sügava õppimise ja Soovitaja süsteemid? Sellel kursusel, saad praktilisi kogemusi masin õppimist mitmeid praktilisi juhtumianalüüsid. Lõpus esimese kursuse siis on uuritud, kuidas ennustada maja hinnad põhinevad maja taseme funktsioonid, analüüsida sentiment alates kommentaare, hankida dokumente huvi, soovitame toodete ja pilte otsida. Läbi käed-praktika nende kasutamise juhtumid, mida saab rakendada masin õppe meetodeid erinevaid valdkondi. See esimene muidugi kohtleb masin õppimise meetod musta kasti. Kasutades seda võtmiseks, siis keskendub mõistmist ülesanded huvi, sobitades need ülesanded masin õppevahendite ja kvaliteedi hindamisel väljund. Järgnevatel kursused, siis süveneda osade Selle musta kasti uurimisega mudelid ja algoritmid. Üheskoos on need tükid moodustavad masinõpe gaasijuhe, mis siis kasutada arukaid rakendusi. Õpitulemused: Aasta lõpuks selle kursuse, siis on võimalik, et: - Teha kindlaks võimalikud rakendused Tehisõppe praktikas. - Kirjeldada põhilisi erinevusi analüüsid lubatud regressiooni, liigitus ja klastrite. - Valige sobiv masin õppe ülesanne võimalikku kohaldamist. - Kanna regressiooni, klassifitseerimise, klastrite, väljavõtete Soovitaja süsteemid ja sügavat õppimist. - Esindada oma andmeid funktsioone kasutada sisendina masin õppe mudelid. - Hinnata mudeli kvaliteedi poolest asjakohased viga meetrika iga ülesande. - Kasutage andmekogumi paigaldada mudel analüüsida uusi andmeid. - Ehitada otsast-lõpuni rakendus, mis kasutab masin õppe keskmes. - Rakendada neid meetodeid Python. Machine Learning: regressioon Case Study - Ravi kinnisvarahinnad meie esimene juhtum, ennustavad maja hinnad, siis luua mudeleid, mis ennustavad pidevat väärtus (hind) alates sisend funktsioone (square footage, magamistubade arv ja vannituba, ...). See on vaid üks paljudest kohtadest, kus regressiooni saab rakendada. Muud rakendused ulatuvad ennustavad tervisenäitajate meditsiinis aktsiahinnad rahanduse ja võimu kasutamine kõrgjõudlusega andmetöötluse, et analüüsida, mida seadusandjad on olulised geeniekspressiooni. Sellel kursusel siis uurib seadustada lineaarse regressiooni mudelid ülesanne prognoosimise ja funktsioon valikut. Sul on võimalik hakkama väga suure komplekti omadusi ja valida kas mudeleid erinevate keerukus. Sul on ka mõju analüüsimiseks aspekte oma andmeid - näiteks võõrväärtustega - oma valitud mudelite ja prognooside. Sobitada neid mudeleid, siis rakendab optimeerimisalgoritme et skaala suurte andmekogude. Õpitulemused: Aasta lõpuks selle kursuse, siis on võimalik, et: - Kirjeldage sisend ja väljund regressioonimudeli. - Võrrelda ja vastandada hälvete ja dispersiooni kui katseandmed. - Hinnake mudeli parameetreid kasutades optimeerimisalgoritme. - Tune parameetrite ristkontrolli. - Analüüsivad mudeli. - Kirjeldage mõiste hõredus ja kuidas LASSO viib hõreda lahendusi. - Juurutada meetodeid, et valida mudeleid. - Kasutada mudel moodustada prognoose. - Ehita regressioonimudeli ennustada hindadega korpust andmebaasil. - Rakendada neid meetodeid Python. Machine Learning: klassifitseerimine Case Studies: Analüüsitakse Sentiment & Loan Vaikimisi ennustus meie juhtumiuuringu analüüsides sentiment, siis luua mudeleid, mis ennustavad klassi (positiivne / negatiivne sentiment) sisendi funktsioone (tekst kommentaare, kasutaja profiili info, ...). Meie teine ​​juhtum seda muidugi laenu default ennustus, siis lahendada rahalisi andmeid ning ennustada, kui laen on tõenäoliselt riskantne või ohutu pank. Need ülesanded on näited klassifikatsiooni, üks enim kasutatud alad Tehisõppe, koos laia rakendusi, sealhulgas reklaami sihtimine, rämpsposti tuvastamise, meditsiinilise diagnoosi ja pilt klassifikatsioon. Sellel kursusel, siis loob klassifikaatorite, et pakkuda state-of-the-art tulemuslikkuse kohta erinevaid ülesandeid. Sa tutvuda edukamaid meetodeid, mis on enim kasutatud praktikas, sealhulgas logistiline regressioon, otsuste puud ja tõstes. Lisaks on sul võimalik kujundada ja rakendada aluseks algoritme, mis saab õppida need mudelid on skaala, kasutades stohhastiline gradient tõus. Sa rakendada neid tehnikas reaalse maailma, suurte masin õppe ülesanded. Sul on ka tegelema oluliste ülesannetega näed reaalsetes rakendustes ML, sealhulgas käitlemise puuduvad andmed ja mõõtmise täpsuse ja meenutada, et hinnata klassifikaatori. See kursus on käed-, tegevusele pakitud ja täis visualiseerimine ja illustratsioone, kuidas neid meetodeid käitub tegelikel andmetel. Lisasime ka vabatahtlik sisu iga moodul, mis hõlmab arenenud teemasid neile, kes tahavad minna veelgi sügavamale! Õppe eesmärgid: aasta lõpuks selle kursuse, siis on võimalik, et: - Kirjeldage sisend ja väljund klassifikatsiooni mudel. - Tegeleda nii kahe- ja multiclass liigituse probleemid. - Rakendada logistilise regressiooni mudel suuremahuliste klassifikatsioon. - Loo mittelineaarse mudeli abil otsuse puud. - Paranda ükskõik mudel kasutades suurendada. - Scale oma meetodeid stohhastiline gradient tõus. - Kirjeldage aluseks otsuse piire. - Ehitamine klassifikatsiooni mudel ennustada sentiment toote läbivaatamise andmebaasil. - Analüüsige finantsandmed ennustada laenumaksete katkemine. - Kasuta tehnikaid käitlemise puuduvad andmed. - Hinnata oma mudeleid kasutades täpselt taastustööde mõõdikud. - Rakendada neid meetodeid Pythoni (või teie valitud keeles, kuigi Python on väga soovitatav). Machine Learning: Clustering & hankimine Case Studies: Leida Sarnased Dokumendid Lugeja on huvitatud konkreetsest uudis ja soovite leida jms soovitada. Mis on õige mõiste sarnasust? Pealegi, mis siis, kui on miljoneid muid dokumente? Iga kord, kui soovite kaasa laadida uue dokumendi, sa pead otsima läbi kõik muud dokumendid? Kuidas sa grupeerida samalaadseid dokumente koos? Kuidas te avastada uusi, areneva teemasid, et dokumendid katta? Sel kolmas juhtum, leida sarnaseid dokumente, siis uurib sarnasus algoritmid otsinguks. Sellel kursusel, siis uurib ka struktureeritud esitused kirjeldavad dokumendid corpus, sh klastrite ja segatud liikmeks mudelid, nagu varjatud Dirichlet eraldamine (LDA). Sa rakendada ootus maksimeerimine (EM) õppida dokumendi clusterings, ja vaata, kuidas mõõtkava meetodeid kasutades MapReduce. Õpitulemused: Aasta lõpuks selle kursuse, siis on võimalik, et: - Loo dokumendi otsingusüsteemi abil k-lähima naabrid. - Nimetage erinevate sarnasus mõõdikuid teksti andmed. - Vähendada arvutused k-lähima naabri otsingut kasutades KD-puud. - Koostada ligikaudne lähimad naabrid kasutavad paikkonnas tundlik segamist. - Võrrelda ja vastandada järelevalve ja järelevalveta õppimise ülesandeid. - Cluster dokumentide teemat kasutades k-vahenditega. - Kirjeldada, kuidas paralleelseks k-vahendeid kasutades MapReduce. - Uurida tõenäosuslik klastrite lähenemisviise kasutades segude mudelid. - Paigaldage segu Gaussi mudeli abil ootus maksimeerimine (EM). - Tehakse segatud liikmeks modelleerimine kasutades latentse Dirichlet eraldamine (LDA). - Kirjeldage etappide kohta Gibbs sampler ja kuidas kasutada oma toodangut teha järeldusi. - Võrrelda ja vastandada initsialiseerimise tehnikat mitte kumer optimeerimise eesmärke. - Rakendada neid meetodeid Python. Machine Learning: Soovitaja Systems & dimensionality vähendamine Case Study: soovitamine Tooted Kuidas Amazon soovitada tooteid võite olla huvitatud ostmisest? Kuidas Netflix otsustada, mis filme või telesaateid võiksite vaadata? Mis siis, kui te olete uus kasutaja, peaks Netflix lihtsalt soovitan populaarsemaid filme? Kes võiks teid moodustada uus link Facebook või LinkedIn? Need küsimused on endeemiline kõige teenustel põhineva tööstuse ning on aluseks mõistele koostööl filtreerimine ja Soovitaja süsteeme kasutatakse nende probleemide lahendamiseks. Selles neljas juhtum, siis uurib neid ideid seoses soovitades tooteid, mis põhinevad klientide ülevaateid. Sellel kursusel siis uurib dimensionality vähendamise meetodeid modelleerimine kõrge mõõtmete andmed. Juhul Soovitavate süsteemid, teie andmed on esindatud kasutajasõbralik toode suhted, potentsiaalselt miljoneid kasutajaid ja sadu tuhandeid tooteid. Sa rakendada maatriks lahutamiseülesanne ja varjatud tegur mudeleid ülesanne ennustavad uus kasutaja toote suhteid. Sul on ka kasutada poolel teavet toodete ja kasutajate parandada prognoose. Õpitulemused: Aasta lõpuks selle kursuse, siis on võimalik, et: - Loo koostööl filtreerimise süsteem. - Vähendada dimensionaalsusest andmeid kasutades SVD, PCA, ja juhuslikult prognoosid. - Tehakse maatriks lahutamiseülesanne kasutades koordineerida päritolu. - Juurutada varjatud tegur mudelid nagu Soovitaja süsteemi. - Käsitleda külmkäivituse probleemi kasutades pool informatsiooni. - Uurida toote soovitust taotluse. - Rakendada neid meetodeid Python. Machine Learning nurgakiviks: Arukas Application Deep õppimine Kas olete kunagi mõelnud, kuidas toode Soovitaja on ehitatud? Kuidas saab järeldada aluseks sentiment on kommentaare? Kuidas saab saada teavet pilte leida visuaalselt sarnased tooted soovitada? Kuidas sa ehitada rakendus, mis teeb kõiki neid asju reaalajas ja pakub esiotsa kasutaja kogemus? See, mida te ehitada seda muidugi! Kasutades mida olete õppinud masinõpe seni, siis lähtub üldise toote Soovitaja süsteem, mis teeb palju enamat kui lihtsalt leida sarnaseid tooteid Te pildi- toodete tootekirjeldused ja nende ülevaateid luua tõeliselt uuenduslikke arukas rakendamine. Te olete ilmselt kuulnud, et Deep õppimine teeb uudis kogu maailmas üks kõige lootustandvamaid tehnikaid masin õppe, eriti analüüsides pilte. Iga tööstuse eraldades vahendeid avada sügava õppimise võimalusi, et olla konkurentsivõimeline, siis tahad, et kasutada neid mudeleid ülesandeid nagu pildi sildistamine, objekti äratundmise, kõnetuvastus ja teksti analüüs. Selle nurgakiviks, siis lähtub süvaõppena mudeleid kasutades närvivõrgud, uurida, mida nad on, mida nad teevad ja kuidas. Et eemaldada barjääri kehtestatud projekteerimine, koolitus ja tuning võrgud ning et oleks võimalik saavutada kõrgeid tulemusi vähem märgistatud andmed, siis ka ehitada süvaõppena klassifikaatorite just teie ülesanne kasutades eelnevalt koolitatud mudelid, mida me nimetame sügav omadused . Selle tuum tükk see nurgakiviks projekti, siis rakendab sügava õppimise mudelit pildi-põhine toote soovitust. Seejärel ühendada see visuaalne mudel teksti kirjeldused toodete ja informatsiooni ülevaateid ehitada põnev, end-to-end intelligentne rakendus, mis näeb ette uue toote avastus kogemus. Seejärel kasutada seda teenust, mida saab jagada oma sõpradele ja potentsiaalsetele tööandjatele. Õpitulemused: Aasta lõpuks selle nurgakiviks, siis on võimalik, et: - Uurida andmekogumi tooteid, ülevaateid ja fotosid. - Luua toode Soovitaja. - Kirjeldada, kuidas Närvivõrgus mudel on esindatud ja kuidas see kodeerib mittelineaarne funktsioone. - Kombineeri erinevaid kihte ja aktiveerimise funktsioonidesse et saada paremaid tulemusi. - Kasuta pretrained mudelid, nagu sügav omadused, uute klassifikatsiooni ülesandeid. - Kirjeldada, kuidas neid mudeleid saab rakendada arvuti nägemine, teksti analüüsi ja kõnetuvastus. - Kasutage visuaalset funktsioone leida tooteid oma kasutajate taha. - Lisada läbivaatamise sentiment arvesse soovitust. - Ehitada otsast-lõpuni taotluse. - Juurutada seda teenust. - Rakendada neid meetodeid Python. [-]

Kontakt
Asukoha aadress
USA Online, US