Coursera

Esittely

Lue virallinen kuvaus

Missiomme

Coursera on koulutuksen foorumi, joka kumppanit huippuyliopistojen ja organisaatioita ympäri maailmaa, tarjota kursseja verkossa kenenkään ottaa, ilmaiseksi.

Me kuvitella tulevaisuutta, jossa jokaisella on pääsy maailmanluokan koulutus. Pyrimme antamaan ihmisille koulutusta, joka parantaa heidän elämäänsä, heidän perheidensä elämään, sekä yhteisöjen he elävät.

Miten se toimii

Tutustu kurssin ja kirjaudu sisään jo tänään

Valita 400+ kursseja luoma suurin oppilaitoksissa.

Opi oman aikataulusi

Katso lyhyt video luentoja, ottaa vuorovaikutteisia tietokilpailuja, täydellinen peer porrastettu arviointeja, ja yhteyden luokkatoverit ja opettajat.

Saavuttamaan tavoitteesi

Lopeta luokan ja saada tunnustusta teidän saavutus.

Lähestymistapamme

Coursera kokemus

Se on yksinkertaista. Haluamme auttaa opiskelijoita oppimaan paremmin - ja nopeammin. Siksi olemme suunnitelleet pohjaisena osoittautunut opetusmenetelmiä varmistettiin huippututkijoita. Tässä on 4 keskeisiä ajatuksia, jotka olivat vaikutusvaltainen muovaamaan vision:

Vaikuttavuus verkko-oppimisen

Verkko-oppiminen on merkittävä rooli elinikäisen oppimisen. Itse asiassa tuoreen raportin mukaan US Department of Education todettiin, että "luokkia, joissa verkko-oppiminen (onko opetetaan kokonaan verkossa tai monimuoto) keskimäärin tuottaa vahvemman opiskelijoiden oppimistuloksia kuin tehdä luokkia, joissa on ainoastaan ​​face-to-face opetusta."

Mastery oppiminen

Perustuu kehittämä lähestymistapa koulutus psykologi Benjamin Bloom, Mastery Learning avulla opiskelijat ymmärtävät täysin aiheesta ennen kuin siirryn kehittyneempiä aihe. Käytössä Coursera, me yleensä antaa välitöntä palautetta käsite opiskelija ei ymmärrä. Monissa tapauksissa, tarjoamme satunnaistetussa versioita tehtävän niin opiskelija voi uudelleen tutkimuksen ja uudelleen yrittää kotitehtäviä.

Peer arvioinnit

Monilla kursseilla merkityksellisin tehtäviä ei voida helposti luokitella tietokoneella. Siksi käytämme peer arviointeja, jossa opiskelijat voivat arvioida ja antaa palautetta toistensa työstä. Tämä tekniikka on monissa tutkimuksissa osoitettu aiheuttavan tarkkaa palautetta opiskelijalle ja arvokas oppimiskokemus luokkalainen.

Blended learning

Monet kumppanimme laitokset käyttävät online foorumi antaa niiden kampuksella opiskelijoille parannettu oppimiskokemus. Tämä blended oppimisen mallia on osoitettu tutkimuksissa lisätä opiskelijoiden sitoutumista, läsnäoloa ja suorituskykyä.

Oppilaitoksessa tarjolla ohjelmia seuraavilla aloilla:
  • Englanti

Tutki kursseja »

Ohjelmat

Tämä koulu tarjoaa myös:

Kurssit

Kurssi Koneoppimisen (väli)

Online Osa-aikainen 8 kuukautta Avoin ilmoittautuminen Yhdysvallat USA Online

Tämä erikoistuminen tarjoaa tapauspohjaiset johdatus jännittävä, korkean kysynnän alalla koneoppimisen. Opit analysoimaan suuria ja monimutkaisia ​​aineistoja, luoda sovelluksia, jotka voivat tehdä ennusteita tiedoista, ja luoda järjestelmiä, jotka mukautuvat ja parantaa ajan myötä. [+]

Tämä erikoistuminen tarjoaa tapauspohjaiset johdatus jännittävä, korkean kysynnän alalla koneoppimisen. Opit analysoimaan suuria ja monimutkaisia ​​aineistoja, luoda sovelluksia, jotka voivat tehdä ennusteita tiedoista, ja luoda järjestelmiä, jotka mukautuvat ja parantaa ajan myötä. Lopullisessa Capstone Project, voit hakea taitosi ratkaista alkuperäisen, reaalimaailman ongelma toteuttamalla koneoppimisen algoritmeja. Kurssit Machine Learning Foundations: tapaustutkimus lähestymistapa Onko teillä tietoa ja ihmetellä, mitä se voi kertoa? Tarvitsetko syvemmän ymmärryksen ytimen miten kone oppiminen voi parantaa liiketoiminnan? Haluatko pystyä keskustella asiantuntijoiden noin mitään regressio ja luokittelu syvään oppimiseen ja suosittelujärjestelmä? Tällä kurssilla saat käytännön kokemusta koneoppimisen useista käytännön case-tutkimuksia. Lopussa ensimmäisen kurssin sinun on tutkittu, miten ennustaa asuntojen hinnat perustuvat house-tason ominaisuuksia, analysoida tunteita käyttäjältä selostuksia, hakea asiakirjoja kohteisiin, suositella tuotteita, ja etsiä kuvia. Kautta käytännön toimintatapoja näillä käyttötapauksia, voit hakea koneoppimisen menetelmiä monenlaisia ​​verkkotunnuksia. Tämä ensimmäinen kurssi käsittelee koneoppimisen menetelmä kuin musta laatikko. Käyttämällä tätä abstraktio, sinun keskittyy ymmärtämään tehtäviin kohteisiin, yhteensovitus nämä tehtävät koneoppimisen työkaluja, ja arvioida tuotoksen laadun. Seuraavina kursseja, voit kaivaa osia tämän mustan laatikon tarkastelemalla malleja ja algoritmeja. Yhdessä nämä palat muodostavat koneoppimisen putki, joka käytät kehittää älykkäitä sovelluksia. Osaamistavoitteet: loppuun mennessä tämän kurssin, sinun tulee pystyä: - Tunnista mahdollisia sovelluksia koneoppimisen käytännössä. - Kuvaile ytimen erot analyysien käytössä regressio, luokittelu ja klusterointi. - Valitse sopiva koneoppimisen tehtävä mahdollinen sovellus. - Käytä regressio, luokittelu, klusterointi, haku, suosittelujärjestelmä, ja syvällisen oppimisen. - Edusta tietojen varustelu palvelemaan panos koneoppimismalleja. - Arvioidaan mallin laadun kannalta asiaa virhemittajoukon kunkin tehtävän. - Hyödynnä aineisto sopimaan mallin analysoida uusia tietoja. - Rakenna end-to-end sovellus, joka käyttää koneoppimisen sen ydin. - Toteutetaan nämä tekniikat Python. Machine Learning: Regression Tapaustutkimus - Hoitojen asuntojen hinnat ensimmäinen tapaustutkimus, ennustavat asuntojen hinnat, luot ennustavia jatkuva arvo (hinta) input piirteitä (neliön kuvamateriaalia, useita makuuhuoneita ja kylpyhuonetta, ...). Tämä on vain yksi monista paikoista, joissa regressio voidaan soveltaa. Muut sovellukset vaihtelevat ennustavat terveystuloksissa lääketieteessä, osakekurssit rahoituksen, ja tehon käyttö suurteholaskennan, jotta analysointi jotka sääntelyviranomaiset ovat tärkeitä geenien ilmentymisen. Tällä kurssilla voit tutkia regularisoitua lineaarista regressiomallia tehtäväksi ennustaminen ja ominaisuuksien hallintaan. Voit käsittelemään erittäin suurien tietomäärien ominaisuuksia ja valita malleja eri monimutkaisuus. Voit myös analysoida vaikutuksia näkökohtia data - kuten harha - oman malleissa ja ennusteita. Sopimaan näiden mallien, voit toteuttaa optimointialgoritmit joka skaalautuu suuria aineistoja. Osaamistavoitteet: loppuun mennessä tämän kurssin, sinun tulee pystyä: - Kuvaile panoksena ja regressiomallin. - Vertaa ja kontrasti harhaa ja varianssi mallintamisessa tietoja. - Arvio mallin parametrit käyttäen algoritmit. - Tune parametrit rajat validointi. - Analysoi suorituskykyä mallin. - Kuvaile käsite niukkuus ja miten LASSO johtaa harva ratkaisuja. - Ottaa käyttöön menetelmiä valita malleissa. - Exploit malli muodostaa ennusteita. - Rakenna regressiomalli ennustaa hintojen avulla kotelon aineisto. - Toteutetaan nämä tekniikat Python. Machine Learning: Luokittelu Case Studies: Analysoidaan Sentiment & Loan Default Prediction Meidän tapaustutkimus analysointiin tunteita, luot ennustavia luokan (positiivinen / negatiivinen ilmapiiri) input piirteitä (teksti mielipiteitä, käyttäjäprofiilin tietoja, ...). Meidän Toisessa tapaustutkimus Kurssin, laina oletuksena ennuste, et puuttua taloudelliset tiedot, ja ennustaa, milloin laina on todennäköisesti riskialtista tai turvallinen pankki. Nämä tehtävät ovat esimerkkejä luokittelu, yksi laajimmin käytetty alueilla koneoppimisen, jolla on laaja valikoima sovelluksia, kuten mainosten kohdistaminen roskapostitunnistus, lääketieteellinen diagnoosi ja kuva luokittelun. Tässä Tietenkin voit luoda luokittelijoiden jotka tarjoavat state-of-the-art suorituskykyä erilaisia ​​tehtäviä. Saat tutustuu menestynein menetelmiä, joita yleisimmin käytetty käytännössä, kuten logistinen regressio, päätös puita ja tehostaa. Lisäksi voit suunnitella ja toteuttaa taustalla algoritmeja, jotka voidaan oppia näitä malleja mittakaavassa käyttäen stokastisia kaltevuus nousu. Sinä soveltaa näitä tekniikka reaalimaailman, laajamittainen kone oppimistehtäviä. Voit myös käsitellä merkittäviä tehtäviä kohtaat reaalimaailman sovelluksia ML, mukaan lukien käsittely puuttuvat tiedot sekä mittaus- tarkkuutta ja muistaa arvioida luokittelija. Tämä kurssi on käytännön, vauhdikas ja täynnä visualisointeja ja kuvauksia siitä, miten näitä tekniikoita käyttäytyy todellisiin tietoihin. Olemme myös valinnaisia ​​pitoisuus jokaisessa moduulissa, jotka kattavat edistyneempiin aiheisiin niille, jotka haluavat mennä vielä syvemmälle! Oppimistavoitteet: loppuun mennessä tämän kurssin, sinun tulee pystyä: - Kuvaile tulo ja lähtö luokitusmalli. - Tackle sekä binary ja osuuslajeja luokittelun ongelmia. - Toteutetaan logistiikkaregressiomallin laajamittaiseen luokitus. - Luo epälineaarinen malli käyttäen päätös puita. - Parantaa suorituskykyä tahansa malli käyttää lisäämiseen. - Skaalaa menetelmiä stokastisten kaltevuus nousu. - Kuvaile taustalla päätösrajat. - Rakenna luokitusmalli ennustaa mielialaa tuotearvostelun aineisto. - Analysoi taloudelliset tiedot ennustaa luottotappioita. - Käytä käsittelyssä menetelmiä puuttuvat tiedot. - Arvioi malleja käyttäen tarkkuus-recall mittareita. - Toteutetaan näitä tekniikoita Python (tai kielellä, valinnan, vaikka Python on erittäin suositeltavaa). Machine Learning: Clustering & Retrieval Case Studies: Finding Samanlaisia ​​Dokumentit Lukija on kiinnostunut tietystä uutinen ja haluat löytää kaltaiset tavarat suositella. Mikä on oikea käsitys samankaltaisuuden? Lisäksi mitä jos on miljoonia muita asiakirjoja? Aina kun haluat palautuksen uuden asiakirjan, sinun ei tarvitse etsiä läpi kaikki muut asiakirjat? Miten ryhmä vastaavia asiakirjoja yhdessä? Miten löytää uusia, esiin nousevat että asiakirjat kattavat? Tässä kolmannessa tapaustutkimus, löytää vastaavia asiakirjoja, sinun tutkii samankaltaisuutta perustuvia algoritmeja haku. Tässä Tietenkin voit myös tutkia jäsennelty esityksiä kuvaamisessa asiakirjoja corpus, kuten klusterointi ja sekoitetaan jäsenyys malleja, kuten piilevän Dirichlet jako (LDA). Sinä toteuttaa odotuksen maksimointi (EM) oppia asiakirjan clusterings, ja miten mittakaavassa menetelmien avulla MapReduce. Osaamistavoitteet: loppuun mennessä tämän kurssin, sinun tulee pystyä: - Luo dokumentti hakujärjestelmään käyttää k-lähimmän naapurin. - Tunnista eri samankaltaisuus mittarit tekstitietoa. - Vähennä laskutoimituksia k-lähimmän naapurin hakua käyttämällä KD-puita. - Tuota arvioitu naapurit käyttäen paikkakunnalla herkkiä hajautusta. - Vertaa ja kontrasti ohjattua ja ilman valvontaa oppimistehtäviä. - Cluster asiakirjoja aiheen käyttämällä k-keinoin. - Kuvaile miten yhdensuuntaistettua k-means käyttäen MapReduce. - Tutkitaan todennäköisyyspohjainen klustereiden lähestymistavat seoksilla malleja. - Asenna sekoitus Gaussin mallin avulla odotuksen maksimointi (EM). - Suorita mixed jäsenyys mallinnuksen piilevä Dirichlet jako (LDA). - Kuvaile vaiheet Gibbs sampleri ja miten käyttää tuotannostaan ​​vetää johtopäätöksiä. - Vertaa ja kontrasti alustuksen tekniikoita kuin kupera optimoinnin tavoitteet. - Toteutetaan nämä tekniikat Python. Machine Learning: suosittelujärjestelmä & Ulotteisuus Reduction Tapaustutkimus: suositteleminen Tuotteet Miten Amazon suositella tuotteita saatat olla kiinnostunut ostamaan? Miten Netflix mitkä elokuvien tai TV kannattaa katsoa? Mitä jos olet uusi käyttäjä, pitäisi Netflix vain suositella suosituin elokuvia? Kuka voisit muodostaa uuden yhteyden Facebook tai LinkedIn? Nämä kysymykset ovat endeemisiä kaikkein palvelun teollisuudenaloja, ja taustalla käsite yhteistyönä suodatus ja suosittelujärjestelmä käyttöön näiden ongelmien ratkaisemiseksi. Tässä neljännessä tapauksessa tutkimuksessa, voit tutkia näitä ajatuksia yhteydessä suositellaan perustuvien tuotteiden asiakkaiden arviot. Tällä kurssilla voit tutkia dimensionality vähentämistekniikkojen mallinnukseen high-ulotteinen data. Kun kyseessä on suosittelujärjestelmä, tiedot on edustettuna käyttäjäystävällinen tuote suhteita, mahdollisesti miljoonia käyttäjiä ja satoja tuhansia tuotteita. Sinä toteuttaa matriisi factorization ja piilevä tekijä malleja tehtäväksi ennustavat uuden käyttäjän sivutuote suhteita. Voit myös käyttää puoli tietoa tuotteista ja käyttäjiä parantamaan ennusteita. Osaamistavoitteet: loppuun mennessä tämän kurssin, sinun tulee pystyä: - Luo yhteistoiminnallista suodatusjärjestelmä. - Vähennä dimensionaalisuus dataa SVD, PCA, ja satunnainen ennusteet. - Suorita matriisi factorization avulla koordinoida laskeutuminen. - Käyttöön piilevä tekijä malleja kuin suosittelujärjestelmä. - Käsittele kylmäkäynnistys ongelman käyttämällä puoli tietoja. - Tutkitaan tuotteen suosituksen sovellus. - Toteutetaan nämä tekniikat Python. Machine Learning Capstone: Älykäs Application Deep Learning Oletko koskaan miettinyt, miten tuote suositusjärjestelmäratkaisun rakennetaan? Kuinka voit päätellä taustalla ilmapiiri alkaen arvostelut? Kuinka voit poimia tietoja kuvien avulla visuaalisesti samankaltaisia ​​tuotteita suositella? Miten rakentaa sovelluksen, joka tekee kaikki nämä asiat reaaliajassa, ja tarjoaa front-end käyttäjäkokemuksen? Se mitä tulee rakentaa tämän kurssin! Käyttäen mitä olet oppinut koneoppimisen tähän mennessä, voit rakentaa yleinen tuote suosittelujärjestelmä joka tekee paljon muutakin kuin vain lisää samankaltaisia ​​tuotteita Et yhdistää kuvia tuotteiden tuoteselosteita ja niiden arvostelut luoda aidosti innovatiivinen älykäs sovellus. Olet varmaan kuullut, että Deep Learning tekee uutisia ympäri maailmaa yhtenä lupaavimmista tekniikoista koneoppimisen, erityisesti analysointiin kuvadatan. Jokaisen teollisuuden osoitetaan resursseja avata syvä oppiminen potentiaalia, olla kilpailukykyinen, sinun kannattaa käyttää näitä malleja tehtäviä, kuten kuvan koodaus, kohteentunnistus, puheentunnistus ja tekstin analyysi. Tässä päällyskivi, voit rakentaa syvällisen oppimisen mallia käyttäen neuroverkot, tutkia, mitä he ovat, mitä he tekevät, ja miten. Poistaa este käyttöön suunnittelu, koulutus, ja viritys verkkoja, ja voi saavuttaa korkean suorituskyvyn vähemmällä merkitty tietoja, voit myös rakentaa syvällisen oppimisen luokittelijoiden räätälöity tietyn tehtävän käyttäen valmiiksi koulutettuja malleja, jota kutsumme syvä ominaisuudet . Koska ydin osa tätä capstone projektin, voit toteuttaa syvällisen oppimisen malli kuva-pohjainen tuote suositukseen. Voit sitten yhdistää tämä visuaalinen malli tekstin kuvauksia tuotteiden ja tiedon arvostelut rakentaa jännittävä, end-to-end älykäs sovellus, joka tarjoaa uuden tuotteen löytö kokemus. Voit sitten ottaa sen palveluna, jonka voit jakaa ystäviesi kanssa ja mahdollisille työnantajille. Osaamistavoitteet: loppuun mennessä tämän capstone, et voi: - Tutustu aineisto tuotteita, selostuksia ja kuvia. - Rakenna tuote suositusjärjestelmäratkaisun. - Kuvaile neuroverkkomallin edustaa ja miten se koodaa epälineaarisia piirteitä. - Yhdistä erilaisia ​​kerroksia ja aktivaatiofunktioita saada parempi suorituskyky. - Käytä pretrained malleja, kuten syvä ominaisuuksia, uusiin luokitustehtävissä. - Kuvaile näitä malleja voidaan soveltaa konenäkö, tekstin analytiikan ja puheentunnistus. - Käytä visuaalisia ominaisuuksia löytää tuotteita käyttäjät haluavat. - Otetaan tarkastelun tunteita osaksi suositusta. - Rakenna end-to-end sovellus. - Ottaa käyttöön se palveluna. - Toteutetaan nämä tekniikat Python. [-]

Ota yhteyttä
Asiointiosoite
USA Online, US