Iniciou uma nova carreira depois de concluir esses cursos

Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Certificado compartilhável
Ganhe um certificado após a conclusão
100% online
Comece instantaneamente e aprenda em sua própria programação.
Aproximadamente. 61 horas para concluir
Inglês
Legendas: árabe, francês, português (europeu), chinês (simplificado), italiano, vietnamita, alemão, russo, inglês, hebraico, espanhol, hindi, japonês

Andrew Ng
Instrutor
Fundador, Deeplearning.ai & co -fundador, CourSerasyLlabus – O que você aprenderá com este curso
Introdução
Bem -vindo ao aprendizado de máquina! Neste módulo, apresentamos a idéia central de ensinar um computador para aprender conceitos usando dados – sem ser explicitamente programado. O Wiki do curso está em construção. Visite a guia Recursos para obter as informações mais completas e atualizadas.
Regressão linear com uma variável
A regressão linear prevê uma saída de valor real com base em um valor de entrada. Discutimos a aplicação da regressão linear à previsão dos preços da habitação, apresentamos a noção de uma função de custo e introduzimos o método de descida de gradiente para aprender.
Revisão de álgebra linear
Este módulo opcional fornece uma atualização nos conceitos de álgebra linear. A compreensão básica da álgebra linear é necessária para o restante do curso, especialmente quando começamos a cobrir modelos com várias variáveis.
Regressão linear com várias variáveis
E se sua entrada tiver mais de um valor? Neste módulo, mostramos como a regressão linear pode ser estendida para acomodar vários recursos de entrada. Também discutimos as melhores práticas para implementar a regressão linear.
Tutorial de oitava/matlab
Este curso inclui tarefas de programação projetadas para ajudá -lo a entender como implementar os algoritmos de aprendizado na prática. Para concluir as atribuições de programação, você precisará usar o Octave ou o MATLAB. Este módulo apresenta o Octave/Matlab e mostra como enviar uma tarefa.
Regressão logística
A regressão logística é um método para classificar os dados em resultados discretos. Por exemplo, podemos usar a regressão logística para classificar um email como spam ou não spam. Neste módulo, introduzimos a noção de classificação, a função de custo para regressão logística e a aplicação da regressão logística à classificação de várias classes.
Regularização
Os modelos de aprendizado de máquina precisam generalizar bem para novos exemplos que o modelo não viu na prática. Neste módulo, introduzimos a regularização, o que ajuda a impedir que os modelos exagere os dados de treinamento.
Redes neurais: representação
As redes neurais são um modelo inspirado em como o cérebro funciona. Hoje é amplamente utilizado em muitos aplicativos: quando o telefone interpreta e entende seus comandos de voz, é provável que uma rede neural esteja ajudando a entender seu discurso; Ao descontar um cheque, as máquinas que leem automaticamente os dígitos também usam redes neurais.
Redes neurais: Aprendendo
Neste módulo, introduzimos o algoritmo de retropropagação usado para ajudar a aprender parâmetros para uma rede neural. No final deste módulo, você estará implementando sua própria rede neural para reconhecimento de dígitos.
Conselho para aplicar o aprendizado de máquina
A aplicação de aprendizado de máquina na prática nem sempre é direta. Neste módulo, compartilhamos as melhores práticas para aplicar o aprendizado de máquina na prática e discutir as melhores maneiras de avaliar o desempenho dos modelos aprendidos.
Design do sistema de aprendizado de máquina
Para otimizar um algoritmo de aprendizado de máquina, você precisará primeiro entender onde as maiores melhorias podem ser feitas. Neste módulo, discutimos como entender o desempenho de um sistema de aprendizado de máquina com várias partes e também como lidar com dados distorcidos.
Suportar máquinas vetoriais
Máquinas vetoriais de suporte, ou SVMS, é um algoritmo de aprendizado de máquina para classificação. Apresentamos a idéia e as intuições por trás do SVMS e discutimos como usá -la na prática.
Aprendizado não supervisionado
Utilizamos aprendizado sem supervisão para criar modelos que nos ajudam a entender melhor nossos dados. Discutimos o algoritmo K-Means para agrupamentos que nos permitem aprender agrupamentos de pontos de dados não marcados.
Redução de dimensionalidade
Neste módulo, introduzimos a análise dos componentes principais e mostramos como ele pode ser usado para compressão de dados para acelerar os algoritmos de aprendizado, bem como para visualizações de conjuntos de dados complexos.
Detecção de anomalia
Dado um grande número de pontos de dados, às vezes podemos querer descobrir quais variam significativamente da média. Por exemplo, na fabricação, podemos querer detectar defeitos ou anomalias. Mostramos como um conjunto de dados pode ser modelado usando uma distribuição gaussiana e como o modelo pode ser usado para detecção de anomalia.
Sistemas de recomendação
Quando você compra um produto on -line, a maioria dos sites recomenda automaticamente outros produtos que você pode gostar. Os sistemas de recomendação analisam padrões de atividades entre diferentes usuários e produtos diferentes para produzir essas recomendações. Neste módulo, introduzimos algoritmos de recomendação, como o algoritmo de filtragem colaborativa e a fatorização da matriz de baixo rank.
Aprendizado de máquina em larga escala
O aprendizado de máquina funciona melhor quando há uma abundância de dados para alavancar o treinamento. Neste módulo, discutimos como aplicar os algoritmos de aprendizado de máquina com grandes conjuntos de dados.
Exemplo de aplicação: foto OCR
Identificar e reconhecer objetos, palavras e dígitos em uma imagem é uma tarefa desafiadora. Discutimos como um pipeline pode ser criado para resolver esse problema e como analisar e melhorar o desempenho desse sistema.