Coursera

Введення

Прочитайте офіційний опис

Наша місія

Coursera є освітня платформа, яка в партнерстві з найбільшими університетами та організаціями по всьому світу, щоб запропонувати курси онлайн для тих, хто взяти, безкоштовно.

Ми бачимо майбутнє, де кожен має доступ до світового класу освіти. Ми націлені на розширення можливостей людей з освітою, які поліпшать їхнє життя, життя їхніх сімей і громад, вони живуть в.

Як це працює

Відкрийте для себе курс і зареєструватися сьогодні

Виберіть з 400 + курси, створених кращих навчальних закладів світу.

Дізнайтеся на свій власний графік

Дивитися короткі відео лекції, приймати інтерактивні вікторини, повні однолітків оцінюються оцінок, і з'єднатися з однокласниками і вчителями.

Досягти своїх цілей

Завершіть свій клас і отримувати визнання за свої досягнення.

Наш підхід

Досвід Coursera

Це просто. Ми хочемо, щоб допомогти студентам навчитися краще - і швидше. Ось чому ми розробили нашу платформу на основі перевірених методів навчання, перевірених кращих дослідників. Ось 4 основні ідеї, які мали значний вплив на формування нашого бачення:

Ефективність навчання в режимі онлайн

Онлайн навчання відіграє важливу роль протягом усього життя освіти. Насправді, в недавній доповіді американського Міністерства освіти встановлено, що "класи з онлайн-навчання (будь викладав повністю онлайн або змішаний), в середньому виробляють сильні результатів навчання, ніж зробити класи з єдиним лицем до лиця інструкції."

Майстерність навчання

На основі підходу, розробленого освітнього психолога Бенджаміна Блума, Майстерність навчання допомагає студентам в повній мірі зрозуміти тему, перш ніж перейти на більш просунутій тему. На Coursera, ми, як правило, дають негайний зворотний зв'язок про концепцію студент не зрозумів. У багатьох випадках, ми надаємо рандомізованих версії поступки так студент може повторно дослідження і знов спробувати домашнє завдання.

Оцінки однолітків

У багатьох курсів, найбільш значущі завдання не можуть бути легко оцінюються за допомогою комп'ютера. Ось чому ми використовуємо оцінки однолітків, де студенти можуть оцінити і забезпечити зворотний зв'язок про роботу один одного. Ця техніка була показана в багатьох дослідженнях, призведе до точної зворотного зв'язку для студента і цінний досвід для грейдера.

Змішане навчання

Багато з наших установ-партнерів за допомогою нашої онлайн-платформою для забезпечення їх на кампусі студентів з поліпшеною досвід. Це змішаний модель навчання показав у дослідженнях щодо підвищення студент обручки, відвідуваність і продуктивність.

В цьому навчальному закладі пропонуються освітні програми за наступними напрямками:
  • англійська

Переглянути курси »

Програми

Цей навчальний заклад також пропонує:

курс

Звичайно, в машинному навчанні (проміжний)

Онлайн навчання Заочна та вечірня форма 8 місяця Відкритий конкурс США США Інтернет

Ця спеціалізація передбачає введення випадок, заснованого на захоплюючому, високим попитом області машинного навчання. Ви навчитеся аналізувати великі і складні набори даних, створювати додатки, які можуть робити прогнози на основі даних, а також створювати системи, які адаптуються і поліпшуватися з часом. [+]

Ця спеціалізація передбачає введення випадок, заснованого на захоплюючому, високим попитом області машинного навчання. Ви навчитеся аналізувати великі і складні набори даних, створювати додатки, які можуть робити прогнози на основі даних, а також створювати системи, які адаптуються і поліпшуватися з часом. В остаточному проекті Capstone, ви будете застосовувати свої навички, щоб вирішити оригінальну, реальну проблему шляхом реалізації алгоритмів машинного навчання. Курси Machine Learning Основи: Підхід Приклад Чи є у вас дані і цікаво, що він може сказати вам? вам необхідно більш глибоке розуміння основних способів, в яких машинного навчання може поліпшити свій бізнес? Ви хочете, щоб мати можливість спілкуватися з фахівцями про що-небудь від регресії і класифікації до глибоких навчання і рекомендаційних системи? У цьому курсі, ви отримаєте практичний досвід роботи з машинного навчання з серії практичних тематичних досліджень. В кінці першого курсу ви вивчали, як передбачити ціни на житло, засновані на особливостях будинку на рівні, аналізувати настрої від відгуків користувачів, отримати документи, що представляють інтерес, рекомендують продукти, і пошук зображень. За допомогою практичних практиці з цими варіантами використання, ви будете мати можливість застосовувати методи машинного навчання в широкому діапазоні областей. Це перший курс відноситься метод машинного навчання як чорний ящик. За допомогою цієї абстракції, ви будете зосередитися на розумінні завдань, що представляють інтерес, відповідність цих завдань машинного навчання інструментів, а також оцінки якості продукції. У наступних курсах, ви будете вникати в компоненти цього чорного ящика шляхом вивчення моделей і алгоритмів. Разом ці частини утворюють машинного навчання трубопроводу, який ви будете використовувати при розробці інтелектуальних додатків. Результатів навчання: До кінця цього курсу ви зможете: - визначити потенційні можливості застосування машинного навчання на практиці. - Опишіть основні відмінності в аналізах забезпечуваних регресії, класифікації та кластеризації. - Виберіть підходящу машину навчання завдання для потенційного застосування. - Застосувати регресії, класифікації, кластеризації, пошуку, рекомендаційних систем, і глибоке вивчення. - Уявити дані у вигляді функції, щоб служити в якості вхідних даних для машинного навчання моделей. - Оцінка якості моделі з точки зору відповідних метрик помилок для кожного завдання. - Використання набору даних, щоб підібрати модель для аналізу нових даних. - Побудувати додаток з кінця в кінець, який використовує машинне навчання в його ядрі. - Впровадження цих методів в Python. Машинне навчання: Регрес Case Study - Передбачення Ціни на житло У нашому першому дослідженні випадку, прогнозування цін на житло, ви будете створювати моделі, які пророкують безперервне значення (ціна) від вхідних функцій (квадратні метри, кількість спалень і ванних кімнат, ...). Це лише один з багатьох місць, де можуть бути застосовані регресії. Інші додатки варіюються від прогнозування результатів охорони здоров'я в медицині, ціни на акції в області фінансів, а також споживання енергії в області високопродуктивних обчислень, для аналізу яких регулятори є важливими для експресії генів. У цьому курсі ви будете вивчати регуляризоване моделі лінійної регресії для вирішення завдання прогнозування та відбору ознак. Ви будете мати можливість працювати з дуже великими наборами функцій і вибрати між моделями різної складності. Ви також аналізувати вплив аспектів ваших даних - таких, як викиди - на деяких ваших моделей і прогнозів. Щоб підігнати ці моделі, ви будете реалізовувати алгоритми оптимізації, які масштабуються до великих наборів даних. Результатів навчання: До кінця цього курсу ви зможете: - описувати вхідні і вихідні дані моделі регресії. - Порівняйте і зіставте зміщення і дисперсію при моделюванні даних. - Оцінити параметри моделі з використанням алгоритмів оптимізації. - Параметри гармоніюють з перехресної перевірки. - Аналіз характеристик моделі. - Опишіть поняття розрідженості і як ЛАССО призводить до розріджених рішень. - Розгортання методів для вибору між моделями. - Exploit модель для формування прогнозів. - Побудова регресійній моделі для прогнозування цін за допомогою житлового масиву даних. - Впровадження цих методів в Python. Машинне навчання: Класифікація Приклади: Аналіз Sentiment і неповернення кредиту Прогноз У нашому випадку дослідження з аналізу настрою, ви будете створювати моделі, які прогнозують клас (позитивний / негативний) від настрою вхідних функцій (текст оглядів, профіль користувача інформація, ...). У нашому другому прикладі для цього курсу, прогноз кредиту за замовчуванням, ви будете вирішувати фінансові дані, і передбачити, коли кредит може бути ризикованим і безпечним для банку. Ці завдання є прикладами класифікації, одна з найбільш широко використовуваних областей машинного навчання з широким набором додатків, в тому числі рекламного таргетингу, виявлення спаму, медичної діагностики та класифікації зображень. У цьому курсі ви будете створювати класифікатори, які забезпечують впроваджений продуктивність різних завдань. Ви познайомитеся з найбільш успішних методів, які найбільш широко використовуваних на практиці, в тому числі логістичної регресії, дерев рішень і підвищення. Крім того, ви будете мати можливість розробити і реалізувати основні алгоритми, які можуть вивчити ці моделі в масштабі, з використанням стохастичного градієнта підйом. Ви будете реалізовувати ці методики на реальних великомасштабних завдань машинного навчання. Ви також вирішувати значні задачі ви будете стикатися в реальних додатках ML, включаючи обробку відсутніх даних і точності вимірювань і згадати, щоб оцінити класифікатор. Цей курс є практичним, футуристичним, і сповнені візуалізацій і ілюстрації того, як ці методи будуть вести себе на реальних даних. Ми також включили додатковий контент в кожному модулі, що охоплюють складні теми для тих, хто хоче піти ще глибше! Завдання навчання: До кінця цього курсу ви зможете: - описувати вхідні і вихідні дані моделі класифікації. - Займіться обидва бінарних і мультіклассіруют завдань класифікації. - Впровадження моделі логістичної регресії для великомасштабної класифікації. - Створити нелінійну модель з використанням дерев рішень. - Підвищення продуктивності будь-якої моделі з допомогою підвищення. - Змінити масштаб методи з стохастичного градієнта підйому. - Опишіть кордону рішення, що лежать в основі. - Побудувати модель класифікації, щоб передбачити настрою в наборі даних огляду продукту. - Аналіз фінансових даних для прогнозування дефолтів по кредитах. - Використання методів для обробки відсутніх даних. - Оцініть свої моделі за допомогою метрики прецизійної відкликання. - Впровадження цих методів в Python (або на мові за вашим вибором, хоча Python настійно рекомендується). Машинне навчання: кластеризація і індексування Приклади: Пошук аналогічних документів A читача зацікавлений в конкретній статті новин, і ви хочете, щоб знайти схожі статті, щоб рекомендувати. Що таке правильне поняття подібності? Крім того, що, якщо є мільйони інших документів? Кожен раз, коли ви хочете, щоб процес відновлення нового документа, вам потрібно шукати через всі інші документи? Як групувати аналогічні документи разом? Як ви виявите нові, нові теми, які охоплюють документи? В даному дослідженні третьому випадку, знайти аналогічні документи, ви будете вивчати алгоритми подібності на основі для пошуку. У цьому курсі ви будете також вивчити структуровані уявлення для опису документів в корпусі, в тому числі кластеризацию і змішані членства моделі, такі як латентної розподілу Діріхле (LDA). Ви будете реалізовувати очікування максимізацію (EM), щоб вивчити кластеризації документів, і подивитися, як масштабувати методи з використанням MapReduce. Результатів навчання: До кінця цього курсу, ви зможете: - створити систему пошуку документів за допомогою K-найближчих сусідів. - Визначити різні метрики подібності для текстових даних. - Скорочення обчислень в к-пошуку найближчого сусіда за допомогою KD-дерев. - Продукція приблизні найближчих сусідів, використовуючи локальності чутливу хешування. - Порівняйте і контрольовані і неконтрольовані навчальних завдань. - Кластер документи по темі за допомогою K-засоби. - Опишіть, як распараллелить K-засоби за допомогою MapReduce. - Вивчити імовірнісний підходи кластеризації з використанням сумішей моделей. - Встановити суміш гаусом моделі з використанням математичного очікування максимізацію (EM). - Провести комбіноване моделювання членства з використанням прихованого розподілу Діріхле (LDA). - Опишіть етапи Гіббса і як використовувати свій висновок зробити висновки. - Порівняйте і методи ініціалізації контрасту для неопуклих задач оптимізації. - Впровадження цих методів в Python. Машинне навчання: Рекомендатор Systems & Розмірність Зниження Приклад: Рекомендуючи продукти Як Amazon рекомендувати продукти ви можете бути зацікавлені в покупці? Як Netflix вирішити, які фільми або телешоу ви можете дивитися? Що робити, якщо ви новачок, то слід Netflix просто порекомендувати найбільш популярні фільми? Хто б ви могли створити нову посилання з на Facebook або LinkedIn? Ці питання є ендемічними для більшості послуг на основі галузей промисловості, а також лежать в основі поняття спільної фільтрації і рекомендаційних систем, розгорнутих для вирішення цих проблем. В цьому четвертому дослідженні випадку, ви будете досліджувати ці ідеї в контексті рекомендацій продуктів на основі відгуків клієнтів. У цьому курсі ви будете вивчати методи зниження розмірності для моделювання багатовимірних даних. У разі рекомендаційних систем, ваші дані представлені у вигляді відносин користувачем продукту, з потенційно мільйони користувачів і сотні тисяч продуктів. Ви реалізувати факторизации матриць і прихованих моделей фактор для вирішення завдання прогнозування нових відносин користувачем продукту. Ви також можете використовувати додаткову інформацію про продукти та користувачів для поліпшення прогнозів. Результати навчання: Після закінчення цього курсу ви зможете: - створити спільну систему фільтрації. - Зменшити розмірність даних з використанням SVD, PCA і випадкові проекції. - Виконання матричної прогонки з використанням координатного спуску. - Розгортання прихованих моделей фактор як система рекомендаційних. - Ручка проблеми холодного запуску за допомогою додаткової інформації. - Вивчити додаток рекомендації продукту. - Впровадження цих методів в Python. Машинне навчання Capstone: Intelligent Application з поглибленим вивченням Ви коли-небудь задавалися питанням, як будувати Recommender продукт? Як ви можете вивести основні настрої з оглядів? Як ви можете витягувати інформацію із зображень, щоб знайти візуально подібні продукти рекомендувати? Як побудувати додаток, яке робить всі ці речі в реальному часі, а також забезпечує досвід переднього кінцевого користувача? Це те, що ви будете будувати в цьому курсі! Використовуючи те, що ви дізналися про машинному навчанні досі, ви будете будувати загальну систему Рекомендатор продукт, який робить набагато більше, ніж просто знайти схожі продукти Ви комбінувати зображення продукції з описами продуктів і їх огляди, щоб створити по-справжньому інноваційні інтелектуальні програми. Ви, напевно, чули, що Deep Learning робить новини з усього світу як один з найбільш перспективних методів в області машинного навчання, особливо для аналізу даних зображення. З кожної галузі виділення коштів, щоб розблокувати глибокий потенціал навчання, щоб бути конкурентоспроможними, ви хочете використовувати ці моделі в задачах, таких як позначка зображень, розпізнавання об'єктів, розпізнавання мови і аналізу тексту. У цьому замковим, ви будете будувати глибокі моделі навчання з використанням нейронних мереж, досліджувати те, що вони є, що вони роблять, і як. Щоб видалити бар'єр, введений проектування, підготовки і настройки мереж, а також, щоб мати можливість домогтися високої продуктивності з меншою кількістю мічених даних, ви також будете будувати глибокі навчання класифікаторів з урахуванням ваших конкретних завдань з використанням заздалегідь підготовлених моделей, які ми називаємо глибокі риси , В якості основної частини цього проекту дипломному, ви будете здійснювати глибоку модель навчання для рекомендації продукту на основі зображення. Ви будете потім об'єднати цю візуальну модель з текстовими описами продуктів та інформації з оглядів побудувати захоплюючий, від кінця до кінця інтелектуальне додаток, яке забезпечує новий досвід виявлення продукту. Ви потім розгорнути його в якості сервісу, який ви можете поділитися з друзями і потенційними роботодавцями. Результати навчання: До кінця цього замковим, ви зможете: - Дослідіть набір даних продуктів, огляди і зображень. - Побудувати Рекомендатор продукту. - Опишіть, як видається моделі нейронної мережі і як вона кодує нелінійні функції. - Об'єднання різних типів шарів і функцій активації, щоб отримати більш високу продуктивність. - Використовуйте pretrained моделі, такі як глибокі особливості, для нових завдань класифікації. - Опишіть, як ці моделі можуть бути застосовані в області комп'ютерного зору, аналізу текстів і розпізнавання мови. - Використовуйте візуальні можливості, щоб знайти продукти, які користувачі хочуть. - Включити огляд настроїв в рекомендації. - Побудувати додаток від кінця до кінця. - Розгорнути його в якості служби. - Впровадження цих методів в Python. [-]

Для зв'язку
Адреса місце знаходження
USA Online, US