|
本课程不是数学课程，所有的计算都用R语言。如果你不熟悉R语言也没关系，会有专门讨论R语言的课程。每一章会有循序渐进的更详细的分节以实现每一章讨论的技术。 课程免费，每周要求3-5小时学习课程材料。 5.机器学习：回归 https://www.coursera.org/learn/ml-regression 授课：Carlos Guestrin, Emily Fox 制作：华盛顿大学 开课时间：10月24日 本课程中，你将探索用于预测任务和特征选择的线性回归的正则化。你将能够处理非常大的特征集，并在各种复杂的模型中进行选择。你还将分析数据方面（例如异常值）对所选模型和预测的影响。为了适应这些模型，你需要实现扩大到大型数据集的优化算法。 完成本课程，你将能够： 描述一个回归模型的输入和输出 数据建模时对比比较偏差和方差 使用优化算法预估模型参数 使用交叉验证调整参数 分析模型性能 理解稀疏概念以及LASSO如何导致稀疏 选择模型的方法 利用模型形成预测 使用房屋数据集构建预测房价的回归模型 用Python实现这些技术 本课程持续6周，每周要求5-8小时的投入。当前用户评分是4.8/5.0。课程免费，你也可以在完成课程后花59美元获得证书。 6.机器学习：分类 https://www.coursera.org/learn/ml-classification 授课：Carlos Guestrin, Emily Fox 制作：华盛顿大学 开课时间：10月24日 本课程中，你将创建能为各种任务提供最高性能的分类器。你将熟悉逻辑回归、决策树、boosting等技术。此外，你将能够使用随机梯度上升设计并实现大规模学习这些模型的基础算法。你将在真实世界的、大规模的机器学习任务上实现这些技术。你还将解决在现实世界中应用ML时将面临的重要任务，包括处理丢失的数据和测量准确率和召回率以评估分类器。 完成本课程，你将能够： 描述分类模型的输入和输出 解决二元分类和多类分类问题 实现大规模分类的逻辑回归模型 使用决策树创建非线性模型 使用boosting提高任何模型的性能 使用随机梯度上升扩展方法 描述决策边界 构建预测产品评论数据集中的情绪的分类模型 分析财务数据以预测贷款违约 使用处理丢失数据的技术 使用准确率-召回率度量评估模型 用Python（或其他语言，但强烈建议Python）实现这些技术 本课程持续7周，当前用户评分是4.6/5.0。课程免费，你也可以在完成课程后花59美元获得证书。 7.机器学习：聚类与检索 https://www.coursera.org/learn/ml-clustering-and-retrieval 授课：Carlos Guestrin, Emily Fox 制作：华盛顿大学 开课时间：10月24日 本课程结束时，你将能够： 使用“k-最近邻居”原则创建一个文件检索系统。 识别文本数据的各种相似度。 描述如何将“k-最近邻居”扩展应用于回归和分类。 使用“K-均值”按主题划分文件的聚类。 使用潜狄利克雷分配（LDA）创建混合成员模型。 描述如何使用MapReduce达到k-均值的并行。 研究高斯（Gaussians）混合模型，估计密度。 使用期望最大化（EM）原则拟合高斯混合模型。 比较和对比初始化技术，实现非凸优化目标。 在Python中实现上述技术。 本课程持续6周，当前用户评分是4.9/5.0。课程免费，你也可以在完成课程后花59美元获得证书。 8. 无监督机器学习隐马尔可夫模型Python https://www.udemy.com/unsupervised-machine-learning-hidden-markov-models-in-python/ 授课：Justin C 虽然深度学习中当前流行的是使用循环神经网络为序列建模，本课程将介绍已有几十年历史的机器学习算法——隐马尔可夫模型。 在本课程中，你将学习： 如何使用梯度下降发来解决HMM的最优参数，作为流行的EM算法的替代。 如何在Theano库中处理序列 如何观察疾病和健康的模型，并计算加入你生病了，如何预测生病持续的时间。 如何使用马尔可夫模型来分析人们与你的网站的互动行为，并解决可能影响你的SEO的高跳出率等问题。 马尔可夫模型的实际应用，包括生成图像等。 该课程包含35个教学视频，总时间为4小时。目前的用户评分是4.7/ 5。不过该课程不是免费的，价格是50美元。 9. 数据科学与机器学习Python – 动手做！ https://www.udemy.com/data-science-and-machine-learning-with-python-hands-on/ 授课：Frank Kane (责任编辑：本港台直播) |