Coursera

Pengenalan

Baca Keterangan Resminya

Misi kami

Coursera adalah sebuah platform pendidikan yang bermitra dengan universitas terkemuka dan organisasi di seluruh dunia, untuk menawarkan kursus online bagi siapa saja untuk mengambil, secara gratis.

Kami membayangkan masa depan di mana setiap orang memiliki akses ke pendidikan kelas dunia. Kami bertujuan untuk memberdayakan masyarakat dengan pendidikan yang akan memperbaiki kehidupan mereka, kehidupan keluarga mereka, dan komunitas mereka tinggal.

Cara Bekerja

Temukan kursus dan mendaftar hari ini

Pilih dari 400 + program yang dibuat oleh lembaga top pendidikan dunia.

Pelajari pada jadwal Anda sendiri

Tonton video ceramah singkat, mengambil kuis interaktif, penilaian rekan dinilai lengkap, dan terhubung dengan teman sekelas dan guru.

Mencapai tujuan Anda

Selesai kelas dan menerima pengakuan untuk prestasi Anda.

Pendekatan kami

The Coursera Pengalaman

Ini sederhana. Kami ingin membantu siswa belajar lebih baik - dan lebih cepat. Itulah sebabnya kami telah merancang platform kami didasarkan pada metode pengajaran terbukti diverifikasi oleh peneliti atas. Berikut adalah 4 ide utama yang sangat berpengaruh dalam membentuk visi kami:

Efektivitas pembelajaran online

Online belajar memainkan peran penting dalam pendidikan seumur hidup. Bahkan, laporan terbaru oleh Departemen Pendidikan Amerika Serikat menemukan bahwa "kelas dengan pembelajaran online (baik diajarkan sepenuhnya online atau dicampur) rata-rata menghasilkan kuat hasil belajar siswa daripada kelas dengan hanya tatap muka instruksi."

Penguasaan pembelajaran

Berdasarkan pendekatan yang dikembangkan oleh psikolog pendidikan Benjamin Bloom, Penguasaan Belajar membantu siswa memahami topik sebelum pindah ke topik yang lebih maju. Pada Coursera, kami biasanya memberikan umpan balik langsung pada konsep siswa tidak mengerti. Dalam banyak kasus, kami menyediakan versi acak dari tugas sehingga mahasiswa dapat kembali belajar dan kembali berusaha pekerjaan rumah.

Penilaian rekan

Dalam banyak program, tugas yang paling berarti tidak dapat dengan mudah dinilai oleh komputer. Itu sebabnya kami menggunakan penilaian sebaya, di mana siswa dapat mengevaluasi dan memberikan umpan balik pada pekerjaan masing-masing. Teknik ini telah terbukti dalam banyak studi untuk menghasilkan umpan balik yang akurat untuk siswa dan pengalaman belajar yang berharga bagi kelas tersebut.

Blended learning

Banyak dari lembaga mitra kami menggunakan platform online kami untuk menyediakan di kampus siswa mereka dengan pengalaman belajar yang lebih baik. Model dicampur pembelajaran ini telah ditunjukkan dalam studi untuk meningkatkan keterlibatan siswa, kehadiran dan kinerja.

Sekolah ini menawarkan program di:
  • Inggris

Lihat kursus »

Program

Sekolah ini juga menawarkan:

Mata kuliah

Tentu Saja Dalam Pembelajaran Mesin (menengah)

Online Paruh waktu 8 bulan Pendaftaran Terbuka Amerika Serikat USA online

Spesialisasi ini menyediakan pengenalan berbasis kasus dengan menarik, bidang permintaan tinggi dari mesin belajar. Anda akan belajar untuk menganalisis dataset besar dan kompleks, membangun aplikasi yang dapat membuat prediksi dari data, dan menciptakan sistem yang beradaptasi dan meningkatkan dari waktu ke waktu. [+]

Spesialisasi ini menyediakan pengenalan berbasis kasus dengan menarik, bidang permintaan tinggi dari mesin belajar. Anda akan belajar untuk menganalisis dataset besar dan kompleks, membangun aplikasi yang dapat membuat prediksi dari data, dan menciptakan sistem yang beradaptasi dan meningkatkan dari waktu ke waktu. Dalam Capstone Proyek akhir, Anda akan menerapkan keterampilan Anda untuk memecahkan asli, masalah dunia nyata melalui penerapan algoritma pembelajaran mesin. Kursus Yayasan Machine Learning: Sebuah Pendekatan Studi Kasus Apakah Anda memiliki data dan bertanya-tanya apa yang dapat memberitahu Anda? Apakah Anda memerlukan pemahaman yang lebih dalam cara inti di mana mesin belajar dapat meningkatkan bisnis Anda? Apakah Anda ingin bisa berkomunikasi dengan spesialis tentang apa pun dari regresi dan klasifikasi untuk belajar dan recommender sistem yang mendalam? Dalam kursus ini, Anda akan mendapatkan pengalaman dengan mesin belajar dari serangkaian praktis studi kasus. Pada akhir kursus pertama Anda akan telah mempelajari bagaimana untuk memprediksi harga rumah berdasarkan fitur rumah-tingkat, menganalisis sentimen dari ulasan pengguna, mengambil dokumen yang menarik, merekomendasikan produk, dan mencari gambar. Melalui tangan-pada praktek dengan kasus penggunaan ini, Anda akan dapat menerapkan metode pembelajaran mesin dalam berbagai domain. Kursus pertama ini memperlakukan metode pembelajaran mesin sebagai kotak hitam. Menggunakan abstraksi ini, Anda akan fokus pada pemahaman tugas yang menarik, cocok tugas-tugas ini untuk peralatan mesin pembelajaran, dan menilai kualitas output. Dalam kursus berikutnya, Anda akan mempelajari komponen kotak hitam ini dengan memeriksa model dan algoritma. Bersama-sama, potongan-potongan ini membentuk pipa pembelajaran mesin, yang akan Anda gunakan dalam mengembangkan aplikasi yang cerdas. Hasil belajar: Pada akhir kursus ini, Anda akan dapat: - Mengidentifikasi potensi aplikasi mesin belajar dalam praktek. - Jelaskan perbedaan inti dalam analisis diaktifkan oleh regresi, klasifikasi, dan clustering. - Pilih tugas mesin pembelajaran yang tepat untuk aplikasi potensial. - Terapkan regresi, klasifikasi, clustering, pengambilan, sistem recommender, dan pembelajaran yang mendalam. - Mewakili data Anda sebagai fitur untuk melayani sebagai masukan untuk model pembelajaran mesin. - Menilai kualitas model dalam hal metrik kesalahan yang relevan untuk setiap tugas. - Memanfaatkan dataset untuk menyesuaikan model untuk menganalisis data baru. - Membangun sebuah aplikasi end-to-end yang menggunakan mesin belajar pada intinya. - Melaksanakan teknik ini dengan Python. Machine Learning: Regresi Studi Kasus - Memprediksi Harga Perumahan Dalam studi kasus pertama kita, memprediksi harga rumah, Anda akan menciptakan model yang memprediksi nilai kontinyu (harga) dari fitur input (rekaman persegi, jumlah kamar tidur dan kamar mandi, ...). Ini hanyalah salah satu dari banyak tempat di mana regresi dapat diterapkan. Aplikasi lain berkisar dari hasil memprediksi kesehatan dalam kedokteran, harga saham di bidang keuangan, dan penggunaan daya dalam komputasi kinerja tinggi, untuk menganalisis yang regulator penting untuk ekspresi gen. Dalam kursus ini, Anda akan menjelajahi model regresi linear regularized untuk tugas prediksi dan seleksi fitur. Anda akan dapat menangani set yang sangat besar fitur dan memilih di antara model berbagai kompleksitas. Anda juga akan menganalisis dampak aspek data Anda - seperti outlier - pada model yang dipilih dan prediksi. Untuk menyesuaikan model ini, Anda akan menerapkan algoritma optimasi yang skala untuk dataset besar. Hasil belajar: Pada akhir kursus ini, Anda akan dapat: - Menjelaskan input dan output dari model regresi. - Bandingkan dan kontras bias dan variansi ketika pemodelan data. - Parameter model Perkirakan menggunakan algoritma optimasi. - Parameter Tune dengan salib validasi. - Menganalisis kinerja model. - Jelaskan gagasan sparsity dan bagaimana mengarah ke solusi jarang Lasso. - Menyebarkan metode untuk memilih antara model. - Eksploitasi model untuk membentuk prediksi. - Membangun model regresi untuk memprediksi harga menggunakan dataset perumahan. - Melaksanakan teknik ini dengan Python. Machine Learning: Klasifikasi Studi Kasus: Menganalisis Sentimen & Loan Prediksi default Dalam studi kasus kami pada analisis sentimen, Anda akan menciptakan model yang memprediksi kelas (/ sentimen negatif positif) dari fitur input (teks review, informasi profil pengguna, ...). Dalam studi kasus kedua kami untuk kursus ini, prediksi kredit macet, Anda akan mengatasi data keuangan, dan memprediksi kapan pinjaman cenderung berisiko atau aman untuk bank. Tugas ini merupakan contoh dari klasifikasi, salah satu daerah yang paling banyak digunakan pembelajaran mesin, dengan array yang luas dari aplikasi, termasuk penargetan iklan, deteksi spam, diagnosa medis dan klasifikasi citra. Dalam kursus ini, Anda akan menciptakan pengklasifikasi yang menyediakan state-of-the-art kinerja pada berbagai tugas. Anda akan menjadi akrab dengan teknik yang paling sukses, yang paling banyak digunakan dalam praktek, termasuk regresi logistik, pohon keputusan dan meningkatkan. Selain itu, Anda akan dapat merancang dan mengimplementasikan algoritma yang mendasari yang dapat mempelajari model ini di skala, menggunakan stochastic gradien pendakian. Anda akan menerapkan teknik ini pada dunia nyata, skala besar tugas pembelajaran mesin. Anda juga akan membahas tugas-tugas yang signifikan Anda akan hadapi dalam aplikasi dunia nyata dari ML, termasuk penanganan data yang hilang dan pengukuran presisi dan ingat untuk mengevaluasi classifier a. Kursus ini adalah tangan-on, penuh aksi, dan penuh visualisasi dan ilustrasi tentang bagaimana teknik ini akan berperilaku pada data real. Kami juga termasuk konten opsional dalam setiap modul, meliputi topik-topik lanjutan bagi mereka yang ingin pergi bahkan lebih! Tujuan Pembelajaran: Pada akhir kursus ini, Anda akan dapat: - Menjelaskan input dan output dari model klasifikasi. - Tackle kedua masalah klasifikasi biner dan multiclass. - Menerapkan model regresi logistik untuk klasifikasi skala besar. - Membuat model non-linear menggunakan pohon keputusan. - Meningkatkan kinerja model menggunakan meningkatkan. - Skala metode Anda dengan stochastic gradien pendakian. - Jelaskan batas keputusan yang mendasari. - Membangun model klasifikasi untuk memprediksi sentimen review produk dataset. - Menganalisis data keuangan untuk memprediksi default pinjaman. - Gunakan teknik untuk menangani data yang hilang. - Evaluasi model Anda menggunakan metrik presisi-recall. - Melaksanakan teknik ini dengan Python (atau dalam bahasa pilihan Anda, meskipun Python sangat dianjurkan). Machine Learning: Clustering & Retrieval Studi Kasus: Mencari Dokumen Mirip Seorang pembaca tertarik dalam artikel berita tertentu dan Anda ingin mencari artikel yang sama untuk merekomendasikan. Apa gagasan hak kesamaan? Selain itu, bagaimana jika ada jutaan dokumen lainnya? Setiap kali Anda ingin sebuah mengambil dokumen baru, yang Anda butuhkan untuk mencari melalui semua dokumen lainnya? Bagaimana Anda dokumen sejenis kelompok bersama-sama? Bagaimana Anda menemukan yang baru, topik yang muncul yang mencakup dokumen? Dalam studi kasus ketiga ini, menemukan dokumen yang sama, Anda akan memeriksa algoritma berbasis kesamaan untuk pengambilan. Dalam kursus ini, Anda juga akan memeriksa representasi terstruktur untuk menggambarkan dokumen di dalam korpus, termasuk clustering dan model keanggotaan campuran, seperti alokasi Dirichlet laten (LDA). Anda akan menerapkan ekspektasi maksimisasi (EM) untuk mempelajari clusterings dokumen, dan melihat bagaimana skala metode menggunakan MapReduce. Hasil belajar: Pada akhir kursus ini, Anda akan dapat: - Membuat sistem pengambilan dokumen menggunakan k-tetangga terdekat. - Mengidentifikasi berbagai metrik kesamaan untuk data teks. - Mengurangi perhitungan dalam pencarian tetangga k-terdekat dengan menggunakan KD-pohon. - Menghasilkan tetangga terdekat perkiraan menggunakan wilayah hashing sensitif. - Bandingkan dan kontras tugas belajar diawasi dan tidak diawasi. - Cluster dokumen dengan topik menggunakan k-means. - Jelaskan bagaimana memparalelkan k-cara menggunakan MapReduce. - Periksa pendekatan pengelompokan probabilistik menggunakan campuran model. - Fit campuran model Gaussian menggunakan ekspektasi maksimisasi (EM). - Lakukan pemodelan keanggotaan campuran menggunakan alokasi Dirichlet laten (LDA). - Jelaskan langkah-langkah dari sampler Gibbs dan bagaimana menggunakan output untuk menarik kesimpulan. - Bandingkan dan teknik inisialisasi kontras untuk tujuan optimasi non-cembung. - Melaksanakan teknik ini dengan Python. Machine Learning: Recommender Sistem & Dimensi Pengurangan Studi Kasus: Merekomendasikan Produk Bagaimana Amazon merekomendasikan produk Anda mungkin tertarik untuk membeli? Bagaimana Netflix memutuskan mana film atau acara TV Anda mungkin ingin menonton? Bagaimana jika Anda adalah pengguna baru, harus Netflix hanya merekomendasikan film paling populer? Yang mungkin Anda membentuk link baru dengan di Facebook atau LinkedIn? Pertanyaan-pertanyaan ini endemik sebagian besar industri berbasis layanan, dan mendasari gagasan penyaringan kolaboratif dan sistem recommender dikerahkan untuk memecahkan masalah ini. Dalam studi kasus keempat ini, Anda akan mengeksplorasi ide-ide tersebut dalam konteks merekomendasikan produk berdasarkan ulasan pelanggan. Dalam kursus ini, Anda akan mengeksplorasi teknik pengurangan dimensi untuk pemodelan data yang tinggi-dimensi. Dalam kasus sistem recommender, data Anda direpresentasikan sebagai hubungan user-produk, dengan potensi jutaan pengguna dan ratusan ribu produk. Anda akan menerapkan matriks faktorisasi dan model faktor laten untuk tugas memprediksi hubungan user-produk baru. Anda juga akan menggunakan informasi sisi tentang produk dan pengguna untuk meningkatkan prediksi. Hasil belajar: Pada akhir kursus ini, Anda akan dapat: - Membuat sistem penyaringan kolaboratif. - Mengurangi dimensi data menggunakan SVD, PCA, dan proyeksi acak. - Lakukan matriks faktorisasi menggunakan koordinat keturunan. - Menyebarkan model faktor laten sebagai sistem recommender. - Menangani masalah mulai dingin menggunakan informasi side. - Periksa aplikasi rekomendasi produk. - Melaksanakan teknik ini dengan Python. Machine Learning Capstone: Sebuah Cerdas Aplikasi Deep Learning Pernahkah Anda bertanya-tanya bagaimana sebuah recommender produk dibangun? Bagaimana Anda bisa menyimpulkan sentimen yang mendasari dari ulasan? Bagaimana Anda dapat mengekstrak informasi dari gambar untuk menemukan produk visual-sama untuk merekomendasikan? Bagaimana Anda membangun sebuah aplikasi yang melakukan semua hal ini secara real time, dan memberikan front-end pengalaman pengguna? Itulah yang akan Anda membangun dalam kursus ini! Menggunakan apa yang Anda pelajari tentang pembelajaran mesin sejauh ini, Anda akan membangun sistem recommender produk umum yang tidak lebih dari sekedar menemukan produk serupa Anda akan menggabungkan gambar produk dengan deskripsi produk dan ulasan mereka untuk membuat aplikasi cerdas benar-benar inovatif. Anda mungkin pernah mendengar bahwa Jauh Belajar membuat berita di seluruh dunia sebagai salah satu teknik yang paling menjanjikan dalam pembelajaran mesin, terutama untuk menganalisis data gambar. Dengan setiap industri mendedikasikan sumber daya untuk membuka potensi pembelajaran yang mendalam, untuk menjadi kompetitif, Anda akan ingin menggunakan model ini dalam tugas-tugas seperti tagging gambar, pengenalan obyek, pengenalan suara, dan analisis teks. Dalam batu penjuru ini, Anda akan membangun model pembelajaran dalam menggunakan jaringan saraf, mengeksplorasi apa yang mereka, apa yang mereka lakukan, dan bagaimana. Untuk menghapus penghalang diperkenalkan oleh merancang, pelatihan, dan jaringan tuning, dan untuk dapat mencapai kinerja yang tinggi dengan data berlabel kurang, Anda juga akan membangun pengklasifikasi pembelajaran mendalam disesuaikan dengan tugas tertentu Anda menggunakan model pra-terlatih, yang kita sebut fitur dalam . Sebagai bagian inti dari proyek batu penjuru ini, Anda akan menerapkan model pembelajaran yang mendalam untuk rekomendasi produk berbasis gambar. Anda kemudian akan menggabungkan model visual ini dengan deskripsi teks dari produk dan informasi dari ulasan untuk membangun, aplikasi cerdas menarik end-to-end yang menyediakan pengalaman penemuan produk baru. Anda kemudian akan menyebarkan sebagai layanan, yang Anda dapat berbagi dengan teman-teman Anda dan majikan yang potensial. Hasil belajar: Pada akhir batu penjuru ini, Anda akan dapat: - Jelajahi dataset produk, ulasan dan gambar. - Membangun recommender produk. - Jelaskan bagaimana model jaringan saraf diwakili dan bagaimana mengkodekan fitur non-linear. - Campurkan berbagai jenis lapisan dan fungsi aktivasi untuk mendapatkan kinerja yang lebih baik. - Gunakan pretrained model, seperti fitur dalam, untuk tugas-tugas klasifikasi baru. - Jelaskan bagaimana model ini dapat diterapkan dalam visi komputer, analisis teks dan pengenalan suara. - Gunakan fitur visual untuk menemukan produk pengguna Anda inginkan. - Memasukkan sentimen Ulasan menjadi rekomendasi. - Membangun sebuah aplikasi end-to-end. - Menyebarkan itu sebagai layanan. - Melaksanakan teknik ini dengan Python. [-]

Kontak
Alamat lokasi
USA Online, US