Coursera

はじめに

公式の説明を読む

私たちの使命

コー​​セラは、世界中のトップクラスの大学や組織とパートナーは、自由のために、取るために誰のためのオンラインコースを提供する教育プラットフォームです。

私たちは、誰もが世界クラスの教育へのアクセスを持って未来を思い描く。 私たちは、自分たちの生活を向上させる教育を持つ人々、その家族の生活、彼らが住んでいる地域社会に力を与えることを目指しています。

どのように動作する

コー​​スを発見し、今日のサインアップ

世界のトップの教育機関が作成した400+コースからお選びいただけます。

あなた自身のスケジュールに学ぶ

短いビデオ講義を見て、インタラクティブなクイズを取る、完全なピア等級評価、クラスメートや先生と接続。

あなたの目標を達成

あなたのクラスを終えて、あなたの成果に対する認識を受け取る。

我々のアプローチ

コー​​セラ体験

それは簡単です。 より速く - 私たちは、学生がよりよく学ぶ手助けをしたい。 我々は、トップ研究者によって検証された実績のある教授法に基づいて当社のプラットフォームを設計してきた理由です。 ここに私たちのビジョンを形成する上で影響力のあった4キーのアイデアがあります:

オンライン学習の有効性

オンライン学習は、生涯教育に重要な役割を果たしている。 実際には、米国教育省による最近の報告書は、「平均的に(完全にオンラインまたはブレンド教えかどうか)オンライン学習を持つクラスが単独で対面命令で授業を行うよりもより強力な学生の学習成果を生み出す。」ことを発見

マスタリー学習

教育心理学者ベンジャミン·ブルームによって開発されたアプローチに基づいて、マスタリーラーニングは、学生が完全に、より高度な話題に移る前にトピックを理解するのに役立ちます。 コー​​セラでは、我々は通常、学生が理解していなかったコンセプトに即座にフィードバックを与える。 多くの場合、我々は、学生が、研究を再宿題を再試行することができますので、割り当てのランダム化されたバージョンを提供。

ピア·アセスメント

多くのコースでは、最も意味の割り当てが簡単にコンピュータによって等級することはできません。 我々は学生が互いの作業のフィードバックを評価し、提供することができ、ピアアセスメントを使用する理由です。 この技術は、学生と年生のための貴重な学習経験のための正確なフィードバックをもたらすことが多くの研究で示されている。

ブレンディッドラーニング

私たちのパートナー機関の多くが改善された学習体験を自分のキャンパス内の学生を提供するために、私達のオンラインプラットフォームを使用している。 学習のこのブレンドされたモデルは、学生の関与、出席し、パフォーマンスを向上させる研究で示されている。

この学校か以下のプログラムを提供しています:
  • 英語

コースを見る »

プログラム

この大学がさらに提供しているのは:

コース

機械学習におけるコース(中間)

オンライン パートタイム 8 ヶ月 自由入学 アメリカ合衆国 USAオンライン

この専門は機械学習のエキサイティングな、需要の高い分野への事例ベースの概要を説明します。 あなたは、大規模で複雑なデータセットを分析したデータから予測を行うことができますアプリケーションを構築し、時間をかけて適応し、向上させるシステムを作成する方法を学習します。 [+]

この専門は機械学習のエキサイティングな、需要の高い分野への事例ベースの概要を説明します。 あなたは、大規模で複雑なデータセットを分析したデータから予測を行うことができますアプリケーションを構築し、時間をかけて適応し、向上させるシステムを作成する方法を学習します。 最終キャップストーンプロジェクトでは、機械学習アルゴリズムの実装により、元の、実世界の問題を解決するためにあなたのスキルを適用します。 コー​​ス 機械学習の基礎:ケーススタディのアプローチ あなたはデータを持っているし、それはあなたを伝えることができるのだろうか? あなたのビジネスを向上させることができる機械学習でコアな方法のより深い理解が必要ですか? あなたは深い学習や推薦システムへの回帰と分類から何かについての専門家と会話できるようにしたいですか? このコースでは、実践的なケーススタディのシリーズからの機械学習と実践的な経験を取得します。 最初のコースの終わりには、家レベルの機能に基づいて住宅価格を予測するユーザーレビューから感情を分析し、興味のあるドキュメントを取得、製品を推奨し、画像を検索する方法を研究してきただろう。 ハンズオン練習これらの使用例とを通して、あなたは、ドメインの広い範囲で機械学習法を適用することができるようになります。 この最初のコースは、ブラックボックスとして機械学習方法を扱います。 この抽象化を使用して、あなたは、興味のあるタスクを理解する機械学習ツールにこれらのタスクをマッチングし、出力の品質を評価に焦点を当てます。 その後のコースでは、あなたは、モデルやアルゴリズムを調べることによって、このブラックボックスの構成要素を掘り下げます。 一緒に、これらの作品は、あなたがインテリジェントなアプリケーションの開発に使用する機械学習のパイプラインを形成します。 成果を学習:このコースの終わりまでに、次のことができるようになります - 実際には機械学習の潜在的なアプリケーションを特定します。 - 回帰、分類、およびクラスタリングで有効に分析の中核的な違いを説明してください。 - 潜在的なアプリケーションのための適切な機械学習のタスクを選択します。 - 回帰、分類、クラスタリング、検索、推薦システム、および深い学習を適用します。 - 機械学習モデルへの入力として機能する機能として、あなたのデータを表します。 - 各タスクに関連するエラー・メトリックの観点でモデルの品質を評価します。 - 新しいデータを分析するためのモデルに合うように、データセットを利用します。 - その中核に機械学習を使用して、エンド・ツー・エンドのアプリケーションをビルドします。 - Pythonでこれらの技術を実装します。 機械学習:回帰 ケーススタディは - 私たちの最初のケーススタディで住宅価格を予測、住宅価格を予測するには、入力機能(面積、寝室とバスルームの数、...)から連続値(価格)を予測するモデルを作成します。 これは、ただ一つの回帰を適用することができる多くの場所があります。 他のアプリケーションは、規制当局は、遺伝子発現のために重要である分析に予測医学の健康転帰、金融の株価、および高性能コンピューティングにおける電力使用量、範囲。 このコースでは、予測と特徴選択のタスクのための正則線形回帰モデルを検討します。 あなたは、機能の非常に大きなセットを処理し、様々な複雑さのモデルの間で選択することができるようになります。 また、あなたのデータの側面の影響を分析します - そのような外れ値として - あなたの選択のモデルと予測に。 これらのモデルを適合させるために、あなたは、大規模なデータセットに拡張最適化アルゴリズムを実装します。 学習成果:このコースの終わりまでに、あなたがすることができます: - 回帰モデルの入力と出力を説明してください。 - データをモデル化するとき、バイアスと分散を比較対照。 - 最適化アルゴリズムを用いて推定モデルパラメータ。 - クロスバリデーションとチューニングパラメーター。 - モデルのパフォーマンスを分析します。 - スパース性の概念を説明し、どのようにLASSOまばらなソリューションにつながります。 - モデルの間で選択するためのメソッドを展開します。 - 予測を形成するためのモデルを利用します。 - 住宅データセットを使用して価格を予測する回帰モデルを構築します。 - Pythonでこれらの技術を実装します。 機械学習:分類 ケーススタディ:感情を分析する上で、当社のケーススタディでセンチメント&ローンのデフォルトの予測を分析すると、あなたが入力機能(レビューのテキスト、ユーザプロファイル情報、...)からクラス(正/負の感情)を予測モデルを作成します。 このコースの私たちの第二のケーススタディ、ローンのデフォルトの予測では、財務データに取り組む、とローンは、銀行のために危険なまたは安全である可能性が高い時期を予測します。 これらのタスクは、広告のターゲティング、スパム検出、医療診断および画像分類を含む幅広いアプリケーションで、分類の例としては、機械学習の最も広く使用されている地域の一つです。 このコースでは、さまざまなタスクに最先端の性能を提供する分類器を作成します。 あなたが最も広くロジスティック回帰、決定木とブースティングを含め、実際に使用されている最も成功した技術に精通しになります。 また、あなたは、確率的勾配上昇を使用して、スケールでこれらのモデルを学ぶことができる基礎となるアルゴリズムを設計し、実施することができるであろう。 あなたは、現実世界での大規模機械学習タスクをこれらの技術を実装します。 また、あなたが不足しているデータを処理し、精度を測定し、分類器を評価するためにリコールを含むMLの実際のアプリケーションに直面する重要なタスクに対処します。 このコースは、ハンズオン、アクション満載の、および視覚化およびこれらの技術は、実際のデータにどのように動作するかのイラストがいっぱいです。 我々はまた、より深い行きたい人のための高度なトピックをカバーし、すべてのモジュール内の任意のコンテンツを用意しました! 学習目標:このコースの終わりまでに、あなたがすることができます: - 分類モデルの入力と出力を説明してください。 - バイナリと多クラス分類問題の両方に取り組みます。 - 大規模な分類のためのロジスティック回帰モデルを実装します。 - 決定木を用いた非線形モデルを作成します。 - ブースティングを使用して任意のモデルの性能を向上させます。 - 確率的勾配上昇であなたの方法をスケール。 - 基本となる決定境界を説明してください。 - 製品のレビューデータセット内の感情を予測するための分類モデルを構築します。 - ローンのデフォルトを予測するために財務データを分析します。 - 欠落しているデータを処理するための利用技術。 - 精密リコールメトリックを使用してモデルを評価します。 - (Pythonは非常にお勧めですが、お好みの言語でまたは)Pythonでこれらの技術を実装します。 機械学習:クラスタリング&検索 ケーススタディ:類似した文書を見つけることは、読者が特定のニュース記事に興味を持っている、あなたがお勧めする同様の記事を見つけたいです。 類似の権利という概念は何ですか? また、他の文書の何百万、何がある場合は? 新しいドキュメントを取得するたびに、他のすべての文書を検索する必要がありますか? あなたは、グループ同様の文書がどのように一緒にいますか? どのように文書がカバーする新しい、新興のトピックを発見するのですか? この第三のケーススタディでは、類似した文書を見つけ、あなたは、検索のための類似性に基づくアルゴリズムを検討します。 このコースでは、あなたはまた、このような潜在ディリクレ配分(LDA)などのクラスタリングと混合メンバーシップモデルを含むコーパスの文書を記述するための構造化された表現を、検討していきます。 あなたは、文書クラスタリングを学ぶために期待値最大化(EM)を実装し、MapReduceのを使用する方法を拡張する方法について説明します。 成果を学習:このコースの終わりまでに、次のことができるようになります: - K-最近傍を使用して、文書検索システムを作成します。 - テキストデータのための様々な類似性指標を特定します。 - KD-木を使用して、k最近傍探索で計算を減らします。 - 局所性に敏感なハッシュを使用して、近似最近傍を生成します。 - 教師と教師なし学習のタスクを比較対照。 - K-手段を用いてトピックごとにクラスタ文書。 - MapReduceのを使用して、K-手段を並列化する方法を説明してください。 - 混合物のモデルを使用して、確率的クラスタリング手法を調べます。 - 期待値最大化(EM)を使用して、ガウスモデルの混合物を合わせます。 - 潜在ディリクレ配分(LDA)を用いた混合メンバーシップのモデリングを行います。 - ギブスサンプラーとどのように推論を描画するために、その出力を使用する方法の手順を説明してください。 - 非凸最適化の目的のための初期化技術を比較して、コントラスト。 - Pythonでこれらの技術を実装します。 機械学習:推薦システム&次元削減 ケーススタディ:推薦製品がどのようにAmazonはあなたが購入に興味があるかもしれない製品をお勧めしますか? どのようにネットフリックスは、あなたが見たいと思うかもしれません示している映画やテレビを決めるのですか? 新規ユーザーの場合は、Netflixがちょうど最も人気のある映画を何をお勧めする必要がありますか? 誰が、あなたはFacebookやLinkedInの上で新しいリンクを形成する可能性がありますか? これらの質問はほとんどのサービスベースの産業に流行しており、協調フィルタリングの概念とこれらの問題を解決するために展開推薦システムの根底にあります。 この第4のケーススタディでは、カスタマーレビューに基づいた製品を推薦のコンテキストでこれらのアイデアを探求します。 このコースでは、高次元データをモデル化するための次元削減手法を検討します。 推薦システムの場合は、あなたのデータは、潜在的に数百万人のユーザーと数千の製品の百で、ユーザーの製品の関係として表現されます。 あなたは、新しいユーザー製品の関係を予測するタスクのために行列因子と潜在因子モデルを実装します。 また、予測を改善するために、製品やユーザーに関するサイド情報を使用します。 成果を学習:このコースの終わりまでに、あなたのことができるようになります - 協調フィルタリングシステムを作成します。 - SVD、PCA、およびランダムな投影を使用してデータの次元を減らします。 - 下降を座標を用い行列分解を実行します。 - 推薦システムとして潜在因子モデルを展開します。 - サイド情報を使用して、コールドスタートの問題を処理します。 - 製品の推奨アプリケーションを調べます。 - Pythonでこれらの技術を実装します。 機械学習キャップストーン:ディープ学習とインテリジェントアプリケーション あなたは今までの製品の推薦が構築されているか疑問がありますか? どのようにレビューから根本的な感情を推測することができますか? どのようにお勧めする、視覚的に同様の製品を見つけるために、画像から情報を抽出することができますか? あなたは、リアルタイムでこれらの事のすべてを行い、フロントエンドユーザーエクスペリエンスを提供するアプリケーションをどのように構築しますか? それはあなたがこのコースに構築するものです! あなたはこれまで、機械学習について学んできたものを使用して、あなただけのあなたが真に革新的なインテリジェントなアプリケーションを作成するために、製品の説明とその件で製品の画像を合成します同様の製品を見つけるよりもはるかを行う一般的な製品の推薦システムを構築します。 おそらく、ディープラーニングは特に画像データを解析するために、機械学習の中で最も有望な技術の一つとして世界中のニュースを作っていると聞きました。 すべての産業が競争力を維持するために、深い学習の可能性のロックを解除するためのリソースを専用で、あなたは、このような画像のタグ付け、物体認識、音声認識、及びテキスト解析などのタスクでは、これらのモデルを使用したいと思うでしょう。 この絶頂で、あなたは彼らが何をすべきか、彼らが何であるか探索し、どのように、ニューラルネットワークを使用して、深い学習モデルを構築します。 設計によって導入障壁、トレーニング、およびチューニングネットワークを削除するには、より少ないラベル付きデータで高い性能を達成することができるように、あなたはまた、我々は深い機能を呼び出す前訓練を受けたモデルを、使用して、特定のタスクに合わせた深い学習分類器を構築します。 この絶頂プロジェクトのコア部分として、あなたは、イメージベースの製品の推薦のための深い学習モデルを実装します。 その後、新たな製品の発見体験を提供するエキサイティングな、エンドツーエンドのインテリジェントなアプリケーションを構築するためにレビューから製品情報のテキスト記述と、この視覚モデルを結合します。 あなたは、あなたはあなたの友人との潜在的な雇用者と共有できるサービスとして、それを展開します。 学習成果:この絶頂の終わりまでに、あなたがすることができます: - 製品、口コミや画像のデータセットを探検。 - 製品の推薦をビルドします。 - ニューラルネットワークモデルの表現方法、それは非線形機能をエンコードする方法を説明してください。 - よりよい性能を得るために、層と活性化関数の異なるタイプを組み合わせます。 - 使用して、新しい分類タスクのために、このような深い機能などのモデルを、pretrained。 - これらのモデルは、コンピュータビジョン、テキスト分析と音声認識に適用する方法を説明してください。 - ユーザーが欲しい製品を見つけるために、視覚的な機能を使用します。 - 推薦にレビューの感情を組み込みます。 - エンドツーエンドのアプリケーションをビルドします。 - それをサービスとして展開します。 - Pythonでこれらの技術を実装します。 [-]

お問い合わせ
所在地
USA Online, US