Coursera

مقدمة

اقرأ الوصف الرسمي

مهمتنا

كورسيرا هو منصة التعليم أن شركاء مع أفضل الجامعات والمنظمات في جميع أنحاء العالم، لتقديم الدورات على الانترنت لأحد أن يأخذ، مجانا.

نحن نتصور مستقبل حيث الجميع لديه حق الوصول إلى التعليم على مستوى العالم. ونحن نهدف إلى تمكين الأشخاص ذوي التعليم التي من شأنها تحسين حياتهم وحياة أسرهم والمجتمعات التي يعيشون فيها.

كيف يعمل

اكتشاف الدورة والتوقيع اليوم

الاختيار من بين 400+ الدورات التي أنشأتها المؤسسات التعليمية العليا في العالم.

تعرف على الجدول الزمني الخاص بك

مشاهدة فيديو المحاضرات القصيرة، واتخاذ مسابقات تفاعلية، وتقييم الأقران كاملة متدرج، والتواصل مع زملاء الدراسة والمدرسين.

تحقيق أهدافك

الانتهاء من الفصل الدراسي والحصول على اعتراف لإنجازك.

لدينا نهج

تجربة كورسيرا

انها بسيطة. نحن نريد أن نساعد الطلاب على تعلم أفضل - وأسرع. لهذا السبب قمنا بتصميم برنامجنا القائم على أساليب التدريس ثبت التحقق من قبل كبار الباحثين. وهنا 4 الأفكار الرئيسية التي كانت مؤثرة في تشكيل رؤيتنا:

فعالية التعلم عبر الإنترنت

التعلم عبر الإنترنت يلعب دورا هاما في التعليم مدى الحياة. في الواقع، وجد تقرير صدر مؤخرا من قبل وزارة التعليم الأمريكية أن "الطبقات مع التعلم عبر الإنترنت (سواء كانت تدرس على الانترنت تماما أو المخلوطة) في المتوسط ​​تنتج مخرجات تعلم الطلاب أقوى من القيام الطبقات مع وجها لوجه فقط التعليمات."

التعلم للإتقان

استنادا إلى نهج وضعتها علم النفس التربوي بنيامين بلوم، إتقانها التعلم تساعد الطلاب على فهم كامل الموضوع قبل الانتقال الى موضوع أكثر تقدما. على كورسيرا، نقدم عادة ردود فعل فورية على مفهوم لم طالب لا يفهم. في كثير من الحالات، ونحن نقدم الإصدارات العشوائية المهمة بحيث يمكن للطالب إعادة دراسة وإعادة محاولة واجباتها.

تقييم الأقران

في العديد من الدورات، المهام الأكثر وضوحا لا يمكن أن تكون متدرجة بسهولة عن طريق جهاز كمبيوتر. هذا هو السبب في أننا نستخدم تقييم الأقران، حيث يمكن للطلاب تقييم وتقديم التغذية الراجعة على عمل كل منهما. وقد أظهرت هذه التقنية في العديد من الدراسات أن يؤدي إلى ردود الفعل الدقيق للطالب وتجربة تعليمية قيمة لالصف.

التعلم المختلط

العديد من المؤسسات الشريكة لدينا تستخدم منصة عبر الإنترنت لتوفير لهم الطلاب في الحرم الجامعي مع تحسين تجربة التعلم. وقد أظهر هذا النموذج من التعلم المخلوطة في دراسات لزيادة مشاركة الطلاب والحضور والأداء.

تقدم هذه المدرسة برامج في:
  • الإنجليزية

عرض المساقات »

البرامج

تقدم هذه الكلية/الجامعة أيضا:

الدورات

دورة في تعلم آلة (وسيط)

دراسة عبر الأنترنت دوام جزئي 8 أشهر التسجيل مفتوح الولايات المتحدة الأمريكية الولايات المتحدة الأمريكية أون لاين

يوفر هذا التخصص القائم على حالة مقدمة مثيرة، الحقل ارتفاع الطلب من تعلم الآلة. سوف تتعلم لتحليل مجموعات البيانات الكبيرة والمعقدة، وبناء التطبيقات التي يمكن أن تجعل التنبؤات من البيانات، وإنشاء نظم التكيف وتحسين مرور الوقت. [+]

يوفر هذا التخصص القائم على حالة مقدمة مثيرة، الحقل ارتفاع الطلب من تعلم الآلة. سوف تتعلم لتحليل مجموعات البيانات الكبيرة والمعقدة، وبناء التطبيقات التي يمكن أن تجعل التنبؤات من البيانات، وإنشاء نظم التكيف وتحسين مرور الوقت. في مشروع تتويجا النهائي، عليك تطبيق المهارات الخاصة بك من أجل حل، المشكلة الأصلية في العالم الحقيقي من خلال تنفيذ خوارزميات تعلم الآلة. دورات أسس التعلم الآلي: مقاربة دراسة حالة هل لديك البيانات وأتساءل ما يمكن أن أقول لكم؟ هل تحتاج إلى فهم أعمق للطرق الأساسية التي تعلم الآلة يمكن أن تحسن عملك؟ هل تريد أن تكون قادرة على التحدث مع المختصين حول أي شيء من الانحدار وتصنيف نظم التعلم والمزكي العميقة؟ في هذه الحال، سوف تحصل على خبرة مع آلة التعلم من سلسلة من دراسات الحالة العملية. في نهاية الدورة الأولى سوف درسوا كيفية التنبؤ أسعار المنازل على أساس الخصائص على مستوى المنزل وتحليل المشاعر من تعليقات المستخدمين، استرجاع الوثائق من الفائدة، يوصي المنتجات، والبحث عن الصور. من خلال التدريب العملي على الممارسة مع هذه الحالات استخدام، وسوف تكون قادرة على تطبيق أساليب التعلم الجهاز في مجموعة واسعة من المجالات. هذه الدورة الأولى يعامل طريقة تعلم آلة على شكل مربع أسود. استخدام هذا التجريد، وسوف نركز على فهم المهام ذات الأهمية، ومطابقة هذه المهام لأدوات التعلم الآلي، وتقييم جودة الإخراج. في الدورات اللاحقة، سوف الخوض في مكونات هذا الصندوق الأسود من خلال دراسة النماذج والخوارزميات. معا، هذه القطع تشكل خط أنابيب آلة التعلم، والتي سوف تستخدم في تطوير تطبيقات ذكية. مخرجات التعلم: في نهاية هذه الدورة، سوف تكون قادرا على: - تحديد التطبيقات المحتملة للتعلم الآلة في الممارسة العملية. - وصف الاختلافات الأساسية في التحليلات مكنت من الانحدار، والتصنيف، والتجميع. - حدد المهمة تعلم الآلة مناسبة لتطبيق المحتملين. - تطبيق الانحدار، تصنيف وتجميع واسترجاعها، وأنظمة المزكي، والتعلم العميق. - تمثيل البيانات الخاصة بك كما يتميز لخدمة كمدخل إلى نماذج تعلم الآلة. - تقييم جودة نموذج من حيث مقاييس الخطأ ذات الصلة لكل مهمة. - الاستفادة من مجموعة بيانات لتناسب نموذج لتحليل البيانات الجديدة. - بناء على طلب من النهاية إلى النهاية يستخدم آلة التعلم في صميمها. - تنفيذ هذه التقنيات في بيثون. تعلم آلة: انحدار دراسة حالة - توقع أسعار المساكن في دراسة القضية الأولى بالنسبة لنا، وتوقع أسعار المنازل، سوف تقوم بإنشاء نماذج التنبؤ قيمة مستمرة (سعر) من ميزات الإدخال (لقطات مربع، وعدد من غرف النوم والحمامات، ...). هذه مجرد واحدة من العديد من الأماكن التي يمكن تطبيقها الانحدار. وتتراوح التطبيقات الأخرى من التكهن بالنتائج الصحية في الطب، وأسعار الأسهم في مجال التمويل، واستخدام الطاقة في مجال الحوسبة عالية الأداء، لتحليل والمنظمين مهمة للتعبير الجين. في هذه الحال، سوف تستكشف تنظيما نماذج الانحدار الخطي للقيام بهذه المهمة من التنبؤ واختيار الميزة. سوف تكون قادرة على التعامل مع مجموعات كبيرة جدا من المزايا والاختيار بين نماذج مختلفة من التعقيد. سوف تقوم بتحليل أيضا تأثير جوانب البيانات الخاصة بك - مثل القيم المتطرفة - على النماذج والتوقعات التي اخترتها. لتتناسب مع هذه النماذج، سيتم تنفيذ خوارزميات التحسين التي النطاق لمجموعات البيانات الكبيرة. مخرجات التعلم: في نهاية هذه الدورة، سوف تكون قادرا على: - وصف المدخلات والمخرجات من نموذج الانحدار. - قارن وعلى النقيض من التحيز والتباين عند نمذجة البيانات. - معالم النموذج تقديرات باستخدام خوارزميات التحسين. - معلمات اللحن مع التحقق من صحة الصليب. - تحليل الأداء للنموذج. - وصف فكرة تبعثر وكيف يؤدي إلى حلول متفرق لاسو. - نشر أساليب لتحديد بين النماذج. - استغلال نموذج لتشكيل التوقعات. - بناء نموذج الانحدار للتنبؤ الأسعار باستخدام مجموعة بيانات الإسكان. - تنفيذ هذه التقنيات في بيثون. تعلم الآلة: تصنيف دراسات حالة: تحليل المشاعر وقرض افتراضي التنبؤ في دراسة حالتنا على تحليل المشاعر، سوف تقوم بإنشاء نماذج التنبؤ فئة (الشعور الإيجابي / السلبي) من ميزات الإدخال (نص استعراض، معلومات ملف تعريف المستخدم، ...). في دراسة الحالة الثانية لدينا لهذه الدورة، والتنبؤ التخلف عن سداد القروض، وسوف معالجة البيانات المالية، والتنبؤ متى ومن المرجح أن تكون محفوفة بالمخاطر أو آمنة للبنك على قرض. هذه المهام هي أمثلة على التصنيف، واحدة من المناطق الأكثر استخداما على نطاق واسع من تعلم الآلة، مع مجموعة واسعة من التطبيقات، بما في ذلك استهداف الإعلانات، والكشف عن البريد المزعج، والتشخيص الطبي وتصنيف الصور. في هذه الحال، سوف تقوم بإنشاء المصنفات التي توفر للدولة من بين الفن والأداء على مجموعة متنوعة من المهام. سوف تصبح مألوفة مع التقنيات الأكثر نجاحا، والتي تستخدم على نطاق واسع في الممارسة العملية، بما في ذلك الانحدار اللوجستي، وأشجار القرار وتعزيز. وبالإضافة إلى ذلك، سوف تكون قادرة على تصميم وتنفيذ الخوارزميات الكامنة التي يمكن أن تتعلم هذه النماذج على نطاق واسع، وذلك باستخدام العشوائية صعود التدرج. سيتم تنفيذ هذه التقنية على العالم الحقيقي، والمهام تعلم الآلة على نطاق واسع. وسوف تتناول أيضا المهام الهامة التي سوف تواجهها في التطبيقات في العالم الحقيقي للحركة التحرير، بما في ذلك التعامل مع البيانات المفقودة وقياس الدقة وأذكر لتقييم المصنف. هذا بالطبع هو التدريب العملي على، العمل معبأة، والكامل من تصورات والرسوم التوضيحية لكيفية هذه التقنيات سوف تتصرف على بيانات حقيقية. وقمنا أيضا محتوى اختياري في كل وحدة، والتي تغطي موضوعات متقدمة لأولئك الذين يريدون أن يذهب أعمق! أهداف التعلم: في نهاية هذه الدورة، سوف تكون قادرا على: - وصف المدخلات والمخرجات لنموذج التصنيف. - معالجة المشكلتين تصنيف الثنائية وmulticlass. - تنفيذ نموذج الانحدار اللوجستي للتصنيف على نطاق واسع. - إنشاء نموذج غير الخطية باستخدام أشجار القرار. - تحسين أداء أي نموذج باستخدام تعزيز. - مقياس أساليب الاتصال مع صعود مؤشر ستوكاستيك التدرج. - وصف حدود قرار الكامنة. - بناء نموذج تصنيف التنبؤ المشاعر في مجموعة بيانات استعراض المنتجات. - تحليل البيانات المالية للتنبؤ التخلف عن سداد القروض. - استخدام أساليب للتعامل مع البيانات المفقودة. - تقييم النماذج الخاصة بك باستخدام مقاييس الدقة تذكر. - تنفيذ هذه التقنيات في بيثون (أو في اللغة التي تختارها، على الرغم من بيثون ينصح بشدة). تعلم الآلة: تجميع واسترجاع دراسات حالة: العثور على وثائق مماثلة قارئ مهتم في مادة إخبارية معينة وتريد أن تجد أصناف مماثلة أن يوصي. ما هو مفهوم الحق من التشابه؟ وعلاوة على ذلك، ما إذا كان هناك ملايين الوثائق الأخرى؟ في كل مرة تريد لاسترداد مستند جديد، لا تحتاج إلى البحث من خلال جميع الوثائق الأخرى؟ كيف تقوم بتجميع وثائق مماثلة معا؟ كيف تكتشف مواضيع جديدة، الناشئة التي تغطي الوثائق؟ في هذه الدراسة الحالة الثالثة، وإيجاد وثائق مماثلة، سوف دراسة الخوارزميات القائم على التشابه لاسترجاعها. في هذه الحال، سوف تدرس أيضا تمثيل منظمة لوصف الوثائق في الإحضار، بما في ذلك تجميع ونماذج العضوية المختلطة، مثل تخصيص ديريتشليت الكامنة (LDA). سيتم تنفيذ تعظيم توقع (EM) لتعلم clusterings وثيقة، ونرى كيف لقياس أساليب استخدام مابريديوس. مخرجات التعلم: في نهاية هذه الدورة، سوف تكون قادرا على: - إنشاء نظام استرجاع الوثائق باستخدام ك أقرب الجيران. - التعرف على مختلف مقاييس التشابه لبيانات النص. - الحد من العمليات الحسابية في البحث جار-ك أقرب باستخدام KD-الأشجار. - إنتاج أقرب الجيران تقريبي باستخدام محلة التجزئة الحساسة. - قارن وعلى النقيض من مهام التعلم تحت إشراف وغير خاضعة للرقابة. - وثائق الكتلة الموضوع باستخدام وسائل-ك. - وصف كيفية تتم بشكل مواز، وسائل ك باستخدام مابريديوس. - دراسة مناهج تجمع الاحتمالية باستخدام خليط من النماذج. - احتواء مزيج من نموذج الضبابي باستخدام التوقع تعظيم (EM). - تنفيذ النمذجة العضوية المختلطة باستخدام تخصيص ديريتشليت الكامنة (LDA). - وصف الخطوات من العينات جيبس ​​وكيفية استخدام انتاجها لاستخلاص استنتاجات. - قارن وتقنيات النقيض التهيئة لتحقيق أهداف التحسين غير محدبة. - تنفيذ هذه التقنيات في بيثون. تعلم الآلة: المزكي أنظمة وأبعاد الحد دراسة حالة: التوصية المنتجات كيف الأمازون يوصي المنتجات التي قد تكون مهتمة في شراء؟ كيف تقرر نيتفليكس الذي الأفلام أو البرامج التلفزيونية التي قد ترغب في مشاهدتها؟ ماذا لو كنت مستخدم جديد، يجب أن نيتفليكس فقط يوصي الأفلام الأكثر شعبية؟ الذين قد تشكل حلقة جديدة مع في الفيسبوك أو ينكد؟ هذه الأسئلة هي المستوطنة في معظم الصناعات القائمة على الخدمات، وتكمن وراء فكرة تصفية التعاونية وانظمة التوصية المنتشرة في حل هذه المشاكل. في هذه الدراسة الحالة الرابعة، سوف تستكشف هذه الأفكار في سياق التوصية المنتجات استنادا إلى ملاحظات العملاء. في هذه الحال، سوف تستكشف تقنيات للحد من الأبعاد لنمذجة بيانات عالية الأبعاد. في حالة الأنظمة المزكي، يتم تمثيل البيانات الخاصة بك عن العلاقات المستخدم المنتج، مع يحتمل أن الملايين من المستخدمين ومئات الآلاف من المنتجات. سيتم تنفيذ التعميل مصفوفة ونماذج عامل الكامنة للمهمة التنبؤ العلاقات المستخدم المنتجات الجديدة. ويمكنك أيضا استخدام المعلومات جانبية حول المنتجات والمستخدمين لتحسين التنبؤات. مخرجات التعلم: في نهاية هذه الدورة، سوف تكون قادرا على: - إنشاء نظام تصفية التعاونية. - تقليل الأبعاد من البيانات باستخدام SVD، PCA، والتوقعات العشوائية. - تنفيذ مصفوفة التعميل باستخدام تنسيق النسب. - نشر نماذج عامل الكامنة كنظام المزكي. - التعامل مع المشكلة بداية الباردة باستخدام المعلومات جانبية. - دراسة تطبيق توصية المنتج. - تنفيذ هذه التقنيات في بيثون. آلة التعلم كابستون: دراسة تطبيقية الذكي مع التعلم العميق هل تساءلت يوما كيف يتم بناء المزكي المنتج؟ كيف يمكن أن نستنتج المشاعر الكامنة من مراجعات؟ كيف يمكنك استخراج المعلومات من الصور للعثور على المنتجات بصريا مماثلة أن يوصي؟ كيف لك بناء التطبيق الذي يفعل كل هذه الأمور في الوقت الحقيقي، ويوفر للمستخدم تجربة الأمامية؟ هذا ما سوف بناء في هذه الدورة! استخدام ما تعلمته عن تعلم الآلة حتى الآن، وسوف بناء نظام المزكي المنتج العام أن يفعل أكثر بكثير من مجرد العثور على منتجات مماثلة سوف يمكنك الجمع بين الصور من المنتجات مع وصف المنتج واستعراضاتها لإنشاء تطبيق ذكي مبتكر. ربما كنت قد سمعت أن ديب التعلم وصنع الأخبار في جميع أنحاء العالم باعتبارها واحدة من التقنيات الواعدة في تعلم الآلة، وخاصة لتحليل بيانات الصورة. مع كل صناعة تخصيص موارد لاطلاق طاقات التعلم العميق، لتكون قادرة على المنافسة، وسوف تحتاج إلى استخدام هذه النماذج في مهام مثل وضع علامات على صورة، والتعرف على وجوه، التعرف على الكلام، وتحليل النص. في هذا تتويجا، سوف بناء نماذج التعلم العميق باستخدام الشبكات العصبية، واستكشاف ما هي عليه، ما يفعلونه، وكيف. لإزالة الحاجز الذي عرضته تصميم والتدريب، وشبكات ضبط، وتكون قادرة على تحقيق الأداء العالي مع بيانات أقل المسمى، سوف نبني أيضا المصنفات التعلم عميقة مصممة خصيصا لمهمة محددة باستخدام نماذج تدريب مسبقا، والتي نسميها ملامح عميقة . كقطعة جوهر هذا المشروع تتويجا، سيتم تنفيذ نموذج التعلم العميق لتوصية المنتج القائم على الصورة. وعندها يمكنك الجمع بين هذا النموذج البصري مع وصف النص من المنتجات والمعلومات من استعراض لإنشاء تطبيق مثيرة، نهاية إلى نهاية الذكي الذي يوفر تجربة اكتشاف المنتجات الجديدة. وعندها يمكنك نشر كخدمة، والتي يمكنك مشاركتها مع أصدقائك وأصحاب العمل المحتملين. مخرجات التعلم: وبحلول نهاية هذا تتويجا، سوف تكون قادرا على: - استكشاف مجموعة بيانات من المنتجات والتعليقات والصور. - بناء المزكي المنتج. - وصف كيفية تمثيل نموذج الشبكة العصبية وكيف تكود السمات غير الخطية. - الجمع بين أنواع مختلفة من طبقات وظائف التنشيط للحصول على أداء أفضل. - pretrained استخدام النماذج، مثل ملامح عميقة، للقيام بمهام تصنيف جديدة. - وصف كيف يمكن تطبيق هذه النماذج في رؤية الكمبيوتر، تحليلات النص والتعرف على الكلام. - استخدام الميزات البصرية للعثور على المنتجات أراد المستخدمون. - دمج المشاعر الاستعراض في هذه التوصية. - بناء على طلب من النهاية إلى النهاية. - نشر كخدمة. - تنفيذ هذه التقنيات في بيثون. [-]

جهة الاتصال
عنوان الموقع
USA Online, US