Прикладное машинное обучение на Coursera


Coursera добавила еще одну специализацию по машинному обучению. Его отличительной особенностью является то, что он нацелен на тех, кто работает в сфере финансов, медицины, инженерии, бизнеса или других областях, где машинное обучение все более популярно.

Раскрытие информации: когда вы совершаете покупку, перейдя по ссылке на Coursera из этой статьи, мы можем получать партнерскую комиссию.

Мы все слышали шум вокруг машинного обучения и того, как оно проникает во все аспекты нашей жизни, см. Машинное обучение для управления кошками, и даже о том, что оно хорошо платит, см. Лучшая работа 2019 года для инженера по машинному обучению. мы рассмотрели предложения от Udacity, edX и Google, а также от Coursera.

У Coursera уже есть несколько вариантов изучения машинного обучения, и это кажется особенно подходящей платформой для изучения этого, учитывая, что она была соучредителем Эндрю Нг. Основополагающий курс Нг «Машинное обучение» по-прежнему пользуется успехом, претерпев за эти годы множество изменений состояния. Первоначально проводившийся очно в Стэнфордском университете, где это был один из самых популярных курсов факультета компьютерных наук, первоначально он охватил более широкую аудиторию в виде серии лекций на You Tube. Затем, в 2011 году, это был один из бесплатных курсов по информатике в Стэнфорде, который стал толчком к взрыву MOOC. Для этой первоначальной презентации Нг использовал новый онлайн-формат, в котором лекции читались в удобных сегментах продолжительностью около 10 минут с перемежающимися вопросами с несколькими вариантами ответов.

Несмотря на то, что он был омрачен количеством зачисленных на курс Введение в ИИ, преподаваемый Себастьяном Труном и Питером Норвигом, на который было зарегистрировано 160 000 человек и выдано более 23 000 сертификатов об успешном завершении, этот онлайн-эксперимент имел оглушительный успех: было зарегистрировано 104 000 человек и получено 13 000 сертификатов. Это также привело к созданию Coursera и стало одним из первых курсов, которые предлагались там.

В машинное обучение уже зачислено почти 2,5 миллиона человек, и он по-прежнему доступен как бесплатный курс, а его следующая дата начала – 2 сентября. Это 11-недельный курс, но, поскольку у него гибкие сроки, при необходимости вы можете занять больше времени. Он имеет рейтинг 4,9 из 5 на основе почти 112 тыс. Оценок, и я лично могу поручиться за его превосходство. Задания по программированию находятся в MATLAB или Octave, бесплатной альтернативе с открытым исходным кодом.

Изначально все курсы Coursera были бесплатными и выдавали сертификаты. Затем были введены платные сертификаты. Затем последовали специализации, по которым студенты завершают и получают сертификаты в серии коротких курсов (обычно продолжительностью 4-6 недель), а затем объединяют все свое обучение в проекте Capstone и получают его окончательный сертификат. До недавнего времени, если вам не нужны сертификаты, курсы, включающие специализацию, можно было проверять бесплатно, хотя это часто означало, что, хотя вы могли просматривать видео и другие материалы курса, вы не могли выполнять тесты и задания по программированию. Хотя большая часть контента старых специализаций по-прежнему доступна бесплатно, новые требуют оплаты ежемесячной подписки (75 долларов в месяц), что позволяет вам получить доступ ко всем курсам по специализации. У вас есть 7-дневная бесплатная пробная версия, в течение которой вы можете отменить предоплату и получить финансовую помощь.

Новое машинное обучение: алгоритмы в реальном мире разработано Институтом машинного интеллекта Альберты. Несмотря на то, что он объявлен как специализация и ведет к получению сертификата, Capstone проекта не существует, и каждый из четырех, номинально 4-недельных курсов, является коротким и включает просмотр очень коротких видеофрагментов, а также чтения и викторины в неделю. Ожидается, что для прохождения всей специализации потребуется всего один месяц, около 19 часов усилий. Он имеет довольно минимальные предпосылки в области аналитики, математики (линейная алгебра, умножение матриц), статистики и программирования на Python для начинающих.

Выполнив все четыре из них, участники:

Научитесь определять проблемы машинного обучения (ML) и готовить данные для приложений ML.

Понять, как избежать распространенных ошибок в прикладном машинном обучении

Определите потребности бизнеса и превратите их в приложения для машинного обучения

Подробная информация о первых двух курсах доступна.

Введение в прикладное машинное обучение – 8 часов 36 видеороликов (всего 146 минут), 14 чтений, 5 тестов. Знакомит с постановкой задач и подготовкой данных в проекте машинного обучения.

Алгоритмы машинного обучения: советы по обучению с учителем – 3 часа 28 видеороликов (всего 169 минут), 4 викторины Понимание и внедрение методов контролируемого обучения на реальных тематических исследованиях для анализа сценариев бизнес-кейсов, в которых деревья решений, k-ближайшие соседи и машины опорных векторов оптимальны использовал.

По двум другим курсам программы еще нет. Третий курс «Данные для машинного обучения» покажет, насколько важны данные для успеха вашей прикладной модели машинного обучения, и привлечет внимание к предвзятости и разработке функций. Последний курс «Оптимизация производительности модели машинного обучения» предназначен для обобщения всего, что вы узнали в области прикладного машинного обучения. утверждая:

К концу этого курса у вас будут все инструменты и понимание, необходимые для уверенного развертывания проекта машинного обучения и подготовки к его оптимизации в контексте вашего бизнеса.


Добавить комментарий