Coursera

Pengenalan

Our Mission

Coursera is an education platform that partners with top universities and organizations worldwide, to offer courses online for anyone to take, for free.

We envision a future where everyone has access to a world-class education. We aim to empower people with education that will improve their lives, the lives of their families, and the communities they live in.

How It Works

Discover a course and sign up today

Choose from 400+ courses created by the world’s top educational institutions.

Learn on your own schedule

Watch short video lectures, take interactive quizzes, complete peer graded assessments, and connect with classmates and teachers.

Achieve your goals

Finish your class and receive recognition for your accomplishment.

Our Approach

The Coursera experience

It’s simple. We want to help students learn better — and faster. That’s why we’ve designed our platform based on proven teaching methods verified by top researchers. Here are 4 key ideas that were influential in shaping our vision:

Effectiveness of online learning

Online learning plays a significant role in a lifelong education. In fact, a recent report by the U.S. Department of Education found that “classes with online learning (whether taught completely online or blended) on average produce stronger student learning outcomes than do classes with solely face-to-face instruction.”

Mastery learning

Based on an approach developed by educational psychologist Benjamin Bloom, Mastery Learning helps students fully understand a topic before moving onto a more advanced topic. On Coursera, we typically give immediate feedback on a concept a student did not understand. In many cases, we provide randomized versions of the assignment so a student can re-study and re-attempt the homework.

Peer assessments

In many courses, the most meaningful assignments cannot be easily graded by a computer. That’s why we use peer assessments, where students can evaluate and provide feedback on each other’s work. This technique has been shown in many studies to result in accurate feedback for the student and a valuable learning experience for the grader.

Blended learning

Many of our partner institutions are using our online platform to provide their on-campus students with an improved learning experience. This blended model of learning has shown in studies to increase student engagement, attendance and performance.

This school offers programs in:
  • English

Lihat kursus »

Program-program

Sekolah ini juga menawarkan:

Kursus

Kursus Dalam Pembelajaran Mesin (perantaraan)

Online Sambilan Pendaftaran Terbuka Amerika Syarikat USA Online

Pengkhususan ini menyediakan pengenalan berasaskan kes untuk menarik, permintaan tinggi bidang pembelajaran mesin. Anda akan belajar untuk menganalisis set data yang besar dan kompleks, membina aplikasi yang boleh membuat ramalan daripada data, dan mewujudkan sistem yang menyesuaikan diri dan memperbaiki dari masa ke masa. [+]

Pengkhususan ini menyediakan pengenalan berasaskan kes untuk menarik, permintaan tinggi bidang pembelajaran mesin. Anda akan belajar untuk menganalisis set data yang besar dan kompleks, membina aplikasi yang boleh membuat ramalan daripada data, dan mewujudkan sistem yang menyesuaikan diri dan memperbaiki dari masa ke masa. Dalam Projek Capstone akhir, anda akan menggunakan kemahiran anda untuk menyelesaikan asal, masalah dunia sebenar melalui pelaksanaan algoritma pembelajaran mesin. Kursus Foundations Mesin Pembelajaran: Pendekatan Kajian Kes Adakah anda mempunyai data dan tertanya-tanya apa yang ia boleh memberitahu anda? Adakah anda memerlukan pemahaman yang lebih mendalam tentang cara teras di mana mesin pembelajaran boleh meningkatkan perniagaan anda? Adakah anda mahu dapat bertutur dengan pakar mengenai apa-apa dari regresi dan klasifikasi kepada sistem pembelajaran dan recommender mendalam? Dalam kursus ini, anda akan mendapat pengalaman hands-on dengan pembelajaran mesin dari satu siri praktikal kajian kes. Pada akhir kursus ini pertama yang anda telah belajar bagaimana untuk meramalkan harga rumah berdasarkan kepada ciri-ciri rumah peringkat, menganalisis sentimen daripada ulasan pengguna, mendapatkan semula dokumen kepentingan, mengesyorkan produk, dan mencari imej. Melalui hands-on amalan dengan kes-kes ini digunakan, anda akan dapat menggunakan kaedah pembelajaran mesin dalam pelbagai domain. Kursus pertama merawat kaedah pembelajaran mesin sebagai kotak hitam. Menggunakan abstraksi ini, anda akan memberi tumpuan kepada memahami tugas-tugas yang menarik, yang sepadan dengan tugas-tugas ini kepada alat pembelajaran mesin, dan menilai kualiti output. Dalam kursus berikutnya, anda akan menyelidiki ke dalam komponen kotak hitam ini dengan memeriksa model dan algoritma. Bersama-sama, serpihan ini membentuk perancangan pembelajaran mesin, yang anda akan gunakan dalam membangunkan aplikasi pintar. Hasil Pembelajaran: Pada akhir kursus ini, anda akan dapat: - Mengenal pasti aplikasi yang berpotensi pembelajaran mesin dalam amalan. - Terangkan perbezaan teras dalam analisis yang dibolehkan oleh regresi, klasifikasi, dan kelompok. - Pilih tugasan pembelajaran mesin yang sesuai untuk aplikasi yang berpotensi. - Memohon regresi, klasifikasi, clustering, mendapatkan semula, sistem recommender dan pembelajaran dalam. - Mewakili data anda sebagai mempunyai untuk berkhidmat sebagai input kepada model pembelajaran mesin. - Menilai model kualiti dari segi metrik ralat relevan untuk setiap tugas. - Menggunakan set data untuk memenuhi model untuk menganalisis data baru. - Membina permohonan hujung-ke-akhir yang menggunakan pembelajaran mesin pada terasnya. - Melaksanakan teknik-teknik ini dalam Python. Mesin Pembelajaran: Regresi Kajian Kes - Meramalkan Harga Perumahan Dalam kajian kes pertama kami, meramalkan harga rumah, anda akan mewujudkan model yang meramalkan nilai berterusan (harga) daripada ciri-ciri input (rakaman persegi, bilangan bilik tidur dan bilik mandi, ...). Ini adalah salah satu daripada tempat-tempat di mana regresi boleh digunakan. Aplikasi lain terdiri daripada hasil meramalkan kesihatan dalam bidang perubatan, harga saham dalam kewangan, dan penggunaan kuasa dalam pengkomputeran berprestasi tinggi, untuk menganalisis yang pengawal selia adalah penting bagi gen. Dalam kursus ini, anda akan meneroka kembali teratur model regresi linear untuk tugas ramalan dan pemilihan ciri. Anda akan dapat untuk mengendalikan set sangat besar ciri-ciri dan memilih antara model pelbagai kerumitan. Anda juga akan menganalisis kesan aspek data anda - seperti unsur luaran - pada model yang anda pilih dan ramalan. Untuk memenuhi model-model ini, anda akan melaksanakan algoritma pengoptimuman bahawa skala untuk set data yang besar. Hasil Pembelajaran: Pada akhir kursus ini, anda akan dapat: - Terangkan input dan output model regresi. - Bandingkan dan bezakan berat sebelah dan varians apabila model data. - Parameter model Anggaran menggunakan algoritma pengoptimuman. - Parameter Tune dengan pengesahan silang. - Analisa prestasi model. - Terangkan konsep sparsity dan bagaimana membawa kepada penyelesaian jarang LASSO. - Menempatkan kaedah untuk memilih antara model. - Mengeksploitasi model untuk membentuk ramalan. - Membina model regresi untuk meramalkan harga menggunakan set data perumahan. - Melaksanakan teknik-teknik ini dalam Python. Mesin Pembelajaran: Klasifikasi Kajian Kes: Menganalisis Sentiment & Loan Ramalan Lalai Dalam kajian kes kami kepada menganalisis sentimen, anda akan mewujudkan model yang meramalkan kelas (positif sentimen / negatif) daripada ciri-ciri input (teks ulasan, maklumat profil pengguna, ...). Dalam kajian kes kedua kami untuk kursus ini, ramalan lalai pinjaman, anda akan menangani data kewangan, dan meramalkan apabila pinjaman mungkin berisiko atau selamat bagi bank. Tugas-tugas ini adalah contoh klasifikasi, salah satu kawasan yang paling banyak digunakan dalam pembelajaran mesin, dengan pelbagai luas aplikasi, termasuk penargetan iklan, pengesanan spam, diagnosis perubatan dan pengelasan imej. Dalam kursus ini, anda akan mewujudkan penjodoh bilangan yang memberikan prestasi negeri-of-the-art pada pelbagai tugas. Anda akan menjadi biasa dengan teknik yang paling berjaya, yang paling banyak digunakan dalam amalan, termasuk regresi logistik, pokok-pokok keputusan dan meningkatkan. Di samping itu, anda akan dapat untuk mereka bentuk dan melaksanakan algoritma asas yang boleh belajar model ini pada skala, menggunakan stochastic kecerunan pendakian. Anda akan melaksanakan teknik ini di dunia sebenar, tugas-tugas pembelajaran mesin besar-besaran. Anda juga akan menangani tugas-tugas penting yang anda akan hadapi dalam aplikasi dunia sebenar ML, termasuk pengendalian data hilang dan mengukur ketepatan dan ingat untuk menilai pengelas. Kursus ini adalah tangan-on, penuh aksi, dan penuh dengan penggambaran dan ilustrasi bagaimana teknik-teknik ini akan bertindak kepada data sebenar. Kami juga termasuk kandungan pilihan dalam setiap modul yang merangkumi topik maju bagi mereka yang ingin untuk pergi lebih jauh! Objektif Pembelajaran: Pada akhir kursus ini, anda akan dapat: - Terangkan input dan output model klasifikasi. - Tackle kedua-dua masalah klasifikasi binari dan multiclass. - Melaksanakan model regresi logistik untuk pengelasan berskala besar. - Buat model tidak linear menggunakan pokok-pokok keputusan. - Meningkatkan prestasi mana-mana model menggunakan meningkatkan. - Skala kaedah anda dengan stokastik kecerunan pendakian. - Terangkan sempadan keputusan asas. - Membina model pengelasan untuk meramalkan sentimen dalam set data ulasan produk. - Analisa data kewangan untuk meramalkan kegagalan membayar pinjaman. - Gunakan teknik untuk mengendalikan data hilang. - Menilai model anda menggunakan metrik ketepatan ingat. - Melaksanakan teknik-teknik ini dalam Python (atau dalam bahasa pilihan anda, walaupun Python amat disyorkan). Mesin Pembelajaran: kelompok & Retrieval Kajian Kes: Mencari Dokumen yang sama Seorang pembaca berminat dalam artikel berita tertentu dan anda ingin mencari barang yang seumpamanya untuk mengesyorkan. Apakah tanggapan kanan persamaan? Lebih-lebih lagi, bagaimana jika ada berjuta-juta dokumen lain? Setiap kali anda mahu kepada mendapatkan semula dokumen baru, yang anda perlukan untuk mencari semua dokumen yang lain? Bagaimana anda mengumpulkan dokumen yang sama bersama-sama? Bagaimana anda menemui baru, topik-topik baru yang meliputi dokumen? Dalam kajian kes ketiga ini, mencari dokumen yang sama, anda akan mengkaji algoritma berdasarkan persamaan-untuk mendapatkan semula. Dalam kursus ini, anda juga akan mengkaji representasi yang berstruktur untuk menerangkan dokumen dalam corpus, termasuk model keahlian campuran, seperti peruntukan Dirichlet terpendam (LDA) kelompok dan. Anda akan melaksanakan memaksimumkan jangkaan (EM) untuk mempelajari clusterings dokumen, dan melihat bagaimana untuk skala kaedah menggunakan MapReduce. Hasil Pembelajaran: Pada akhir kursus ini, anda akan dapat: - Buat sistem dokumen semula menggunakan k-terdekat jiran. - Kenal pasti pelbagai metrik persamaan untuk data teks. - Mengurangkan pengiraan dalam k-terdekat carian jiran dengan menggunakan KD-pokok. - Melahirkan jiran terdekat anggaran menggunakan kawasan hashing sensitif. - Bandingkan dan bezakan tugasan pembelajaran seliaan dan tanpa pengawasan. - Dokumen Kluster oleh topik menggunakan k-cara. - Terangkan bagaimana untuk parallelize k-cara menggunakan MapReduce. - Memeriksa pendekatan kelompok kebarangkalian menggunakan campuran model. - Fit campuran model Gaussian menggunakan jangkaan memaksimumkan (EM). - Melaksanakan model keahlian bercampur dengan peruntukan Dirichlet terpendam (LDA). - Terangkan langkah-langkah yang sampler Gibbs dan bagaimana untuk menggunakan output untuk menarik kesimpulan. - Bandingkan dan teknik Sebaliknya pengawalan untuk objektif pengoptimuman bukan cembung. - Melaksanakan teknik-teknik ini dalam Python. Mesin Pembelajaran: Recommender Systems & kematraan Pengurangan Kajian Kes: Mencadangkan Produk Bagaimana Amazon mengesyorkan produk yang anda mungkin berminat untuk membeli? Bagaimanakah Netflix membuat keputusan yang mana filem atau rancangan TV yang anda mungkin mahu menonton? Bagaimana jika anda pengguna baru, perlu Netflix hanya mengesyorkan filem yang paling popular? Yang mungkin anda membentuk hubungan baru dengan di Facebook atau LinkedIn? Soalan-soalan ini adalah endemik kepada kebanyakan industri berasaskan perkhidmatan, dan mendasari konsep penapisan bersama dan sistem recommender yang dikerahkan untuk menyelesaikan masalah ini. Dalam kajian kes keempat ini, anda akan meneroka idea-idea ini dalam konteks mengesyorkan produk berdasarkan ulasan pelanggan. Dalam kursus ini, anda akan meneroka teknik pengurangan kematraan untuk model data yang tinggi dimensi. Dalam hal sistem recommender, data anda diwakili sebagai hubungan pengguna-produk, dengan berpotensi berjuta-juta pengguna dan ratus ribu produk. Anda akan melaksanakan model faktor terpendam pemfaktoran matriks dan untuk tugas meramalkan hubungan pengguna-produk baru. Anda juga akan menggunakan maklumat sampingan mengenai produk dan pengguna untuk meningkatkan ramalan. Hasil Pembelajaran: Pada akhir kursus ini, anda akan dapat: - Buat sistem penapisan kerjasama. - Mengurangkan kematraan data menggunakan SVD, PCA, dan unjuran rawak. - Melaksanakan matriks pemfaktoran menggunakan menyelaras keturunan. - Menempatkan model faktor terpendam sebagai sistem recommender. - Mengendalikan masalah permulaan sejuk menggunakan maklumat sampingan. - Memeriksa permohonan produk cadangan. - Melaksanakan teknik-teknik ini dalam Python. Machine Learning Capstone: Satu Permohonan pintar dengan Pembelajaran Deep Pernahkah anda terfikir bagaimana recommender produk dibina? Bagaimana anda boleh membuat kesimpulan sentimen pendasar daripada ulasan? Bagaimana anda boleh mendapatkan maklumat daripada imej untuk mencari produk yang cacat sama cadangkan? Bagaimana anda membina sebuah aplikasi yang melakukan semua perkara-perkara ini dalam masa sebenar, dan menyediakan pengalaman pengguna yang depan? Itulah apa yang anda akan membina di dalam kursus ini! Menggunakan apa yang anda telah belajar tentang pembelajaran mesin setakat ini, anda akan membina satu sistem recommender produk umum yang melakukan lebih daripada sekadar mencari produk yang sama Anda akan menggabungkan imej produk dengan penerangan produk dan ulasan mereka untuk mewujudkan satu aplikasi pintar benar-benar inovatif. Anda mungkin pernah mendengar bahawa Deep Learning membuat berita di seluruh dunia sebagai salah satu teknik yang paling menjanjikan dalam pembelajaran mesin, terutama untuk menganalisis data imej. Dengan setiap industri menyediakan peruntukan sumber untuk membuka kunci potensi pembelajaran dalam, untuk berdaya saing, anda akan mahu menggunakan model ini dalam tugas seperti tagging gambar, pengiktirafan objek, pengecaman pertuturan, dan analisis teks. Dalam capstone ini, anda akan membina model pembelajaran dalam menggunakan rangkaian neural, meneroka apa yang mereka, apa yang mereka lakukan, dan bagaimana. Untuk menghapuskan halangan yang diperkenalkan oleh mereka bentuk, latihan, dan rangkaian tuning, dan dapat mencapai prestasi yang tinggi dengan data kurang dilabel, anda juga akan membina penjodoh pembelajaran mendalam disesuaikan dengan tugas tertentu anda menggunakan model pra-terlatih, yang kita panggil ciri mendalam . Sebagai sekeping teras projek capstone ini, anda akan melaksanakan model pembelajaran yang mendalam untuk cadangan produk berasaskan imej. Anda kemudiannya akan menggabungkan model visual ini dengan penerangan teks produk dan maklumat daripada ulasan untuk membina, hujung-ke-hujung aplikasi pintar yang menarik yang menyediakan pengalaman penemuan produk novel. Anda kemudiannya akan menggunakan ia sebagai perkhidmatan, yang anda boleh berkongsi dengan rakan-rakan anda dan majikan yang berpotensi. Hasil Pembelajaran: Pada akhir capstone ini, anda akan dapat: - Explore set data produk, ulasan dan imej. - Membina recommender produk. - Jelaskan bagaimana model rangkaian neural diwakili dan bagaimana ia mengekod ciri-ciri bukan linear. - Menggabungkan pelbagai jenis lapisan dan fungsi pengaktifan untuk mendapatkan prestasi yang lebih baik. - Gunakan pretrained model, seperti ciri-ciri yang mendalam, untuk tugas-tugas klasifikasi baru. - Jelaskan bagaimana model ini boleh digunakan dalam penglihatan komputer, analisis teks dan pengecaman pertuturan. - Gunakan ciri visual untuk mencari produk pengguna anda mahu. - Menggabungkan sentimen kajian ke dalam syor itu. - Membina permohonan hujung-ke-akhir. - Menempatkan ia sebagai perkhidmatan. - Melaksanakan teknik-teknik ini dalam Python. [-]

Contact
Alamat lokasi
USA Online, US