|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/machine-learning-data-mining-con-r
课程评论：没有评论
课程名称：R语言中的机器学习与数据挖掘 课程概述： 本课程专为对机器学习技术有兴趣的人士设计，涵盖了从可解释性强的技术（如回归分析、主成分分析和聚类分析）到灵活性高的技术（如浅层和深层人工神经网络）等多种机器学习方法。课程中将探讨现实数据分析与建模中常见的问题，如多重共线性、过拟合、正则化和知识转移等。课程采用“实践中学习”的方式，学员将通过R语言持续实施所讲解的概念。每个单元首先通过讲解来帮助记忆和理解，然后提供阅读材料以便学员批判性分析。每个单元结束时，学员将通过RStudio的开放实验室进行实践，并应用所学方法于提供的真实数据集。最后，学员需通过多选题的测验来评估自身进步。现在，机器学习和数据挖掘课程正在等待您的参与！ 课程大纲： - 第1部分：R语言基础 说明：本周将介绍R语言，包括数据结构、数据整理和可视化技术，学习使用R的主要包如dplyr和ggplot2，并提供必要的理论知识以促进对后续模块的理解。 - 第2部分：无监督学习 说明：本周将介绍有监督学习与无监督学习的区别，并讲解多变量数据探索的主要技术以及无监督学习的主要方法，如聚类分析和主成分分析（PCA）。 - 第3部分：有监督学习 说明：本周深入研究有监督学习的基本元素，学习如何应用线性回归模型进行数值预测，并讨论应用多元线性回归于真实数据集常遇到的问题及解决方案，包括属性选择和正则化。此外，还将提供工具用于评估有监督学习方法的描述能力（样本内）和预测能力（样本外），以及选择最佳解释模型。 - 第4部分：神经网络与深度学习 说明：本周将介绍人工神经网络的基础，从单层感知器开始，该模型能够解决线性可分问题。接着学习多层感知器，该模型能解决非线性可分的问题，并深入探讨深度学习的“革命”。此外，将讲解如何利用知识转移来训练深层网络。
Part: 1
Title:Elementi di R
Description:In questa week, ti introdurrò al linguaggio R: avrai una panoramica sulle strutture dati in R, su data wrangling e visualization. Imparerai ad usare i principali pacchetti R, tra cui i famosi dplyr e ggplot2, inclusi in tidyverse. Quando necessario, ti verranno fornite nozioni teoriche di base necessarie per una maggiore comprensione dei concetti implementati in R nei successivi moduli.
Part: 2
Title:Apprendimento automatico non supervisionato
Description:In questa week, dopo aver introdotto la differenza tra metodi di apprendimento automatico (machine learning) supervisionato e non supervisionato, ti verranno illustrate le principali tecniche multivariate di esplorazione dei dati mediante R e i principali metodi di apprendimento automatico non supervisionato, come l'analisi dei gruppi (clustering) e l'analisi delle componenti principali (PCA).
Part: 3
Title:Apprendimento automatico supervisionato
Description:In questa week, approfondirai gli elementi di apprendimento automatico (machine learning) supervisionato. Imparerai ad applicare tecniche di predizione numerica a partire dai modelli lineari di regressione semplice e multipla. Ti sensibilizzerò verso i tipici problemi derivanti dall'applicazione della regressione lineare multipla a data set reali e le più comuni soluzioni attraverso la selezioni degli attributi e la regolarizzazione. Inoltre, ti verranno forniti strumenti pratici per la valutazione della capacità descrittiva (in-sample) e predittiva (out-of-sample) di un metodo di machine learning supervisionato e per la selezione del modello interpretativo migliore.
Part: 4
Title:Reti Neurali e Deep Learning
Description:In questa week ti introdurrò allo studio delle Reti Neurali Artificiali: partirai dal singolo percettrone, che è in grado di risolvere solo problemi di classificazione linearmente separabili, e, passando per il percettrone multilivello, che è in grado di risolvere problemi di classificazione e predizione numerica anche non linearmente separabili, arriverai alla "rivoluzione" del Deep Learning. Vedrai anche come è possibile utilizzare il Knowledge Transfer per addestrare le reti deep.
Il corso Machine Learning e Data Mining in R è rivolto a chiunque voglia avere una pratica panoramica delle tecniche di apprendimento automatico, dalle più interpretabili - come l’analisi di regressione, delle componenti principali e dei gruppi - a quelle più flessibili come le reti neurali artificiali, sia shallow che deep - e le più ricorrenti problematiche di analisi e modellazione di dati e problemi reali - come collinearità, overfitting, regolarizzazione e knowledge transfer. La modalità di erogazione del corso è di tipo learning by doing, mediante una continua implementazione in R dei concetti esposti. Le diverse unità ti verranno prima illustrate a voce, per permetterti di ricordare e capire, e poi rese disponibili sotto forma di reading, per permetterti di analizzarne criticamente il contenuto. Alla fine di ogni unità, verrai messo alla prova attraverso open Lab in ambiente di sviluppo RStudio, che ti permetteranno di applicare i metodi trattati nel corso ai tanti data set reali che ti saranno forniti. Ti verrà infine richiesto di valutare i tuoi progressi mediante graded quiz contenenti domande a risposta multipla. Non rimandare: Machine Learning e Data Mining in R sono ora a portata di mano!
