|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/machine-learning-with-python-pt
课程评论：没有评论
课程名称：使用Python的机器学习 概述：本课程深入探讨了机器学习的基本原理，使用一种易于访问和广泛使用的编程语言——Python。在课程中，我们将回顾两个主要组成部分。首先，您将学习机器学习的目的以及其在现实世界中的应用。其次，您将获得机器学习主题的概述，例如监督学习与非监督学习、模型评估和机器学习算法。 本课程将提供实际的机器学习案例，帮助您体会其如何以您意想不到的方式影响社会！ 在接下来的几周中，您将每周投入一些时间，获得以下收益： 1) 新技能，丰富您的简历，包括回归、分类、聚类、Sci-kit学习和SciPy的应用。 2) 新项目，充实您的作品集，包括癌症检测、经济趋势预测、客户流失预测、推荐系统等。 3) 一张机器学习证书，证明您的能力，并可在线或离线分享，例如在LinkedIn和社交媒体上展示。 如果您选择参加本课程并获得Coursera的证明，成功完成课程后，您还将获得IBM的数字印章。 课程大纲： 第一部分：机器学习导论 本周您将学习机器学习在医疗、银行、电信等多个领域的应用，并对监督学习与非监督学习的主题进行总体概述。您还将了解使用Python库实现机器学习模型的优势。 第二部分：回归 本周将简要介绍回归。学习线性和非线性回归，包括单变量和多变量回归及其应用。在实验室中，您将把这些方法应用于两个不同的数据集，并学习如何评估回归模型及计算精度。 第三部分：分类 您将学习分类技术，实践不同的分类算法，如KNN、决策树、逻辑回归和支持向量机（SVM），并了解每种方法的优缺点及不同的评估精度指标。 第四部分：聚类 在这一部分，您将学习不同的聚类方法，如何用聚类进行客户细分、同类车辆分组及气象站聚集。您将了解三种主要的聚类类型，包括基于划分的聚类、层次聚类和基于密度的聚类。 第五部分：推荐系统 在此模块中，您将学习推荐系统的基本概念，主要介绍两种类型的推荐机器：基于内容的推荐和协作过滤推荐。 第六部分：最终项目 此模块您将基于所学知识完成一个项目，并提交项目报告供同伴评估。
Part: 1
Title:Introdução ao aprendizado de máquina
Description:Nesta semana, você aprenderá sobre as aplicações de aprendizado de máquina em diferentes áreas, como saúde, bancos, telecomunicações e outros. Você terá uma visão geral sobre os tópicos de aprendizado de máquina, como aprendizado supervisionado versus não supervisionado e o uso de cada algoritmo. Também entenderá a vantagem de usar as bibliotecas Python para implementar os modelos de aprendizado de máquina.
Part: 2
Title:Regressão
Description:Nesta semana, você terá uma breve introdução à regressão. Você aprenderá sobre regressão linear e não linear, simples e múltipla e suas aplicações. Você aplicará todos esses métodos a dois conjuntos de dados diferentes no laboratório. Você também aprenderá como avaliar seu modelo de regressão e calcular a sua precisão.
Part: 3
Title:Classificação
Description:Nesta semana, você aprenderá sobre a técnica de classificação. Você pratica com algoritmos diferentes de classificação, como KNN, Árvores de decisão, Regressão logística e SVM. Você também aprende sobre os prós e contras de cada método e métricas diferentes de precisão de avaliação.
Part: 4
Title:Clusterização
Description:Nesta seção, você aprenderá sobre abordagens diferentes de clusterização. Você aprenderá a usar clusterização para segmentar clientes, agrupar os mesmos veículos e também para estações meteorológicas. Você conhecerá os 3 principais tipos de clusterização, incluindo particionamento baseado em clusterização, clusterização hierárquica e clusterização baseada em densidade.
Part: 5
Title:Sistemas de recomendação
Description:Neste módulo, você aprenderá sobre sistemas de recomendação. Primeiro, será introduzida a ideia principal das máquinas de recomendação, e será apresentado dois principais tipos de máquinas de recomendação: baseada em conteúdo e com filtragem colaborativa.
Part: 6
Title:Projeto final
Description:Neste módulo, você fará um projeto baseado no que você aprendeu até agora. Você enviará um relatório do seu projeto para a avaliação de colegas.
Este curso mergulha nos fundamentos básicos de aprendizado de máquina usando uma linguagem de programação acessível e bem conhecida, Python. Neste curso, revisaremos dois componentes principais: Primeiro, você aprenderá sobre o propósito do aprendizado de máquina e onde ele se aplica no mundo real. Segundo, você terá uma visão geral dos tópicos de aprendizado de máquina, como um aprendizado supervisionado versus não supervisionado, avaliação de modelo e algoritmos de aprendizado de máquina. Neste curso, você praticará com exemplos de aprendizado de máquina da vida real e verá como ele a afeta a sociedade de maneiras que você nunca imaginou! Veja o que você terá durante as próximas semanas dedicando algumas horas por semana. 1) Novas habilidades para acrescentar em seu currículo, tais como regressão, classificação, clusterização, aprendizado sci-kit e SciPy 2) Novos projetos que você pode acrescentar ao seu portfólio, incluindo detecção de câncer, previsão de tendências econômicas, previsão de churn de cliente, máquinas de recomendação e muito mais. 3) E um certificado em aprendizado de máquina para comprovar a sua competência e compartilhar onde você quiser, online ou offline, como no perfil do LinkedIn e nas redes sociais. Se você escolher fazer este curso e obter o certificado do curso do Coursera, você também receberá um selo digital IBM após a conclusão bem-sucedida do curso.
