Coursera

Introducción

Lee la descripción oficial

Nuestra Misión

Coursera es una plataforma de educación que se asocia con las mejores universidades y organizaciones de todo el mundo, para ofrecer cursos en línea para que cualquiera pueda tomar, de forma gratuita.

Tenemos la visión de un futuro en el que todos tengan acceso a una educación de clase mundial. Nuestro objetivo es capacitar a las personas con educación que mejorarán sus vidas, las vidas de sus familias y las comunidades en las que viven.

¿Cómo funciona?

Descubra un curso e inscribirse hoy

Elija entre más de 400 cursos creados por los mejores instituciones educativas del mundo.

Aprenda en su propio horario

Ver video conferencias cortas, tomar pruebas interactivas, evaluaciones de los compañeros graduada completos, y conectar con sus compañeros y profesores.

Alcance sus metas

Termine su clase y recibir un reconocimiento por su logro.

Nuestro enfoque

La experiencia Coursera

Es muy sencillo. Queremos ayudar a los estudiantes a aprender mejor - y más rápido. Es por eso que hemos diseñado nuestra plataforma basada en los métodos de enseñanza probados verificados por los mejores investigadores. Aquí hay 4 ideas claves que influyeron en la conformación de nuestra visión:

Efectividad de aprendizaje en línea

El aprendizaje en línea juega un papel importante en la educación de toda la vida. De hecho, un informe reciente del Departamento de Educación de Estados Unidos encontró que "las clases con el aprendizaje en línea (ya sea enseñado completamente en línea o mezclado), en promedio, producen resultados de aprendizaje del estudiante más fuertes que hacen clases con el único cara a cara la instrucción."

El dominio de aprendizaje

Basado en un enfoque desarrollado por el psicólogo educativo Benjamin Bloom, Maestría aprendizaje ayuda a los estudiantes a comprender plenamente un tema antes de pasar a un tema más avanzado. En Coursera, que normalmente damos una respuesta inmediata en un concepto de un estudiante no entendía. En muchos casos, ofrecemos versiones aleatorios de la asignación por lo que un estudiante puede volver a estudiar y volver a intentar la tarea.

Evaluaciones de los compañeros

En muchos cursos, las tareas más significativas no pueden ser fácilmente clasificadas por una computadora. Es por eso que utilizamos evaluaciones de los compañeros, donde los estudiantes pueden evaluar y proporcionar retroalimentación sobre el trabajo del otro. Esta técnica se ha demostrado en muchos estudios que resulte en información precisa para el estudiante y una experiencia de aprendizaje valiosa para el grado.

Aprendizaje combinado

Muchas de nuestras instituciones asociadas están utilizando nuestra plataforma en línea para proporcionar a sus estudiantes en el campus con una experiencia de aprendizaje mejorado. Este modelo mixto de aprendizaje ha demostrado en estudios para aumentar la participación de los estudiantes, la asistencia y el rendimiento.

Esta institución educativa ofrece programas en:
  • Inglés

Ver cursos »

Programas

Esta universidad también ofrece:

Curso

Curso De Aprendizaje Automático (intermedio)

En línea Tiempo Parcial Inscripción abierta Estados Unidos de América EE.UU. Online

Esta especialización ofrece una introducción a base de caso a la apasionante campo, de alta demanda de aprendizaje automático. Usted aprenderá a analizar conjuntos de datos grandes y complejos, crear aplicaciones que pueden hacer predicciones a partir de datos, y crear sistemas que se adaptan y mejorar con el tiempo. [+]

Esta especialización ofrece una introducción a base de caso a la apasionante campo, de alta demanda de aprendizaje automático. Usted aprenderá a analizar conjuntos de datos grandes y complejos, crear aplicaciones que pueden hacer predicciones a partir de datos, y crear sistemas que se adaptan y mejorar con el tiempo. En el proyecto final Capstone, vamos a aplicar sus habilidades para resolver un, problema original del mundo real mediante la aplicación de algoritmos de aprendizaje automático. Cursos Fundamentos de aprendizaje automático: Un estudio de caso ¿Tiene datos y se pregunta qué se puede decir? ¿Necesita una comprensión más profunda de las formas básicas en las que la máquina de aprendizaje pueden mejorar su negocio? ¿Quieres ser capaz de conversar con especialistas sobre cualquier cosa de regresión y clasificación de los sistemas de aprendizaje y de recomendación profundas? En este curso, obtendrá experiencia práctica con aprendizaje automático a partir de una serie de estudios de casos prácticos. Al final del primer curso se ha estudiado cómo predecir precios de la vivienda en base a características de nivel casa, analizar el sentimiento de los comentarios de los usuarios, recuperar documentos de interés, recomendar productos, y la búsqueda de imágenes. A través de ejercicios prácticos con estos casos de uso, usted será capaz de aplicar los métodos de aprendizaje automático en una amplia gama de dominios. Este primer curso trata el método de aprendizaje de la máquina como un cuadro negro. El uso de esta abstracción, que se centrará en la comprensión de las tareas de interés, haciendo coincidir estas tareas para máquinas herramientas de aprendizaje y la evaluación de la calidad de la salida. En cursos posteriores, se le ahondar en los componentes de este cuadro negro mediante el examen de los modelos y algoritmos. En conjunto, estas piezas forman la tubería de aprendizaje automático, que va a utilizar en el desarrollo de aplicaciones inteligentes. Resultados del aprendizaje: Al final de este curso, usted será capaz de: - Identificar las posibles aplicaciones de la máquina de aprendizaje en la práctica. - Describir las diferencias fundamentales en los análisis habilitados por regresión, clasificación y agrupación. - Seleccione la tarea de aprendizaje automático apropiado para una aplicación potencial. - Aplicar la regresión, clasificación, agrupación, la recuperación, los sistemas de recomendación y el aprendizaje profundo. - Representar los datos como características para servir como entrada para modelos de aprendizaje automático. - Evaluar la calidad del modelo en términos de métricas de error relevantes para cada tarea. - Utilizar un conjunto de datos para ajustar un modelo para analizar los nuevos datos. - Construir una aplicación de extremo a extremo que utiliza la máquina de aprendizaje en su núcleo. - Poner en práctica estas técnicas en Python. Máquina de aprendizaje: Regresión Estudio de caso - Predicción de precios de viviendas En nuestro primer estudio de caso, la predicción de precios de la vivienda, va a crear modelos que predicen un valor continuo (precio) de las entidades de entrada (pies cuadrados, número de habitaciones y cuartos de baño, ...). Este es sólo uno de los muchos lugares donde se puede aplicar la regresión. Otras aplicaciones van desde la predicción de los resultados de salud en la medicina, las cotizaciones bursátiles de las finanzas, y el uso de energía en la computación de alto rendimiento, a analizar qué son importantes reguladores de la expresión génica. En este curso, usted explorará modelos de regresión lineal regularizados para la tarea de predicción y selección de características. Usted será capaz de manejar grandes conjuntos de características y seleccione entre los modelos de distinta dificultad. También se analizará el impacto de las características de los datos - como valores atípicos - en sus modelos y predicciones seleccionados. Para adaptarse a estos modelos, se le aplicar algoritmos de optimización que se escalan para grandes conjuntos de datos. Resultados del aprendizaje: Al final de este curso, usted será capaz de: - Describir la entrada y salida de un modelo de regresión. - Comparar y contrastar el sesgo y la varianza en el modelado de datos. - Estimación de los parámetros del modelo utilizando algoritmos de optimización. - Parámetros se pueden sintonizar con la validación cruzada. - Analizar el rendimiento del modelo. - Describir el concepto de escasez y cómo conduce a soluciones dispersas LASSO. - Implementar métodos para seleccionar entre los modelos. - Aprovechar el modelo para formar predicciones. - Construir un modelo de regresión para predecir los precios utilizando un conjunto de datos de la vivienda. - Poner en práctica estas técnicas en Python. Máquina de aprendizaje: Clasificación Estudios de casos: Análisis de Sentimiento & Loan Predicción por defecto En nuestro caso de estudio en el análisis de sentimiento, que va a crear modelos que predicen una clase (sentimiento positivo / negativo) de las entidades de entrada (texto de las opiniones, la información del perfil de usuario, ...). En nuestro segundo caso de estudio para este curso, la predicción de impago del préstamo, que abordará los datos financieros, y predecir cuándo es probable que sea arriesgado o seguro para el banco un préstamo. Estas tareas son ejemplos de clasificación, una de las zonas más utilizadas de aprendizaje de máquina, con una amplia gama de aplicaciones, incluyendo la orientación de anuncios, la detección de spam, diagnóstico médico y clasificación de imágenes. En este supuesto, va a crear clasificadores que proporcionan un rendimiento del estado de la técnica en una variedad de tareas. Usted se familiarizará con las técnicas más exitosas, que son los más ampliamente utilizados en la práctica, incluyendo la regresión logística, árboles de decisión y el impulso. Además, usted será capaz de diseñar y poner en práctica los algoritmos subyacentes que pueden aprender estos modelos a escala, utilizando gradiente de ascenso estocástico. Va a poner en práctica estas técnicas en el mundo real, las tareas de aprendizaje automático a gran escala. También abordar tareas importantes que se enfrentará en aplicaciones del mundo real de ML, entre ellos el manejo de datos y la medición de precisión y recordar para evaluar un clasificador. Este curso es práctico, lleno de acción, y lleno de visualizaciones y ejemplos de cómo estas técnicas se comportarán en datos reales. También hemos incluido el contenido opcional en todos los módulos, que cubre temas avanzados para los que quieren ir aún más profundo! Objetivos de Aprendizaje: Al final de este curso, usted será capaz de: - Describir la entrada y salida de un modelo de clasificación. - Hacer frente a ambos problemas de clasificación binaria y multiclase. - Implementar un modelo de regresión logística para la clasificación a gran escala. - Crear un modelo no lineal utilizando árboles de decisión. - Mejorar el rendimiento de cualquier modelo utilizando impulsar. - Escala de sus métodos con gradiente de ascenso estocástico. - Describir los límites de decisión subyacentes. - Construir un modelo de clasificación para predecir el sentimiento en una revisión del producto conjunto de datos. - Analizar los datos financieros para predecir la morosidad. - Utilizar técnicas para el manejo de los datos que faltan. - Evaluar sus modelos usando las métricas de precisión de recordar. - Poner en práctica estas técnicas en Python (o en el idioma de su elección, aunque Python es muy recomendable). Máquina de aprendizaje: La agrupación y recuperación Estudios de casos: Búsqueda de documentos similares Un lector está interesado en un artículo de noticias específico y que desea encontrar artículos similares para recomendar. ¿Cuál es la idea correcta de similitud? Por otra parte, si lo hay millones de otros documentos? Cada vez que desee recuperar un un nuevo documento, es lo que necesita para buscar a través de todos los demás documentos? ¿Cómo hacer que los documentos similares agrupar? ¿Cómo descubrir nuevos temas emergentes, que cubren los documentos? En este tercer caso, la búsqueda de documentos similares, se examinarán los algoritmos basados ​​en la similitud para la recuperación. En este supuesto, también puede examinar las reclamaciones estructurados para la descripción de los documentos en el corpus, incluyendo clustering y modelos de miembros mixtos, tales como la asignación de Dirichlet latente (LDA). Va a poner en práctica expectativa de maximización (EM) para conocer los agrupamientos de documentos, y ver la manera de ampliar el uso de los métodos de MapReduce. Resultados del aprendizaje: Al final de este curso, usted será capaz de: - Crear un sistema de recuperación de documentos utilizando k-vecinos más cercanos. - Identificar las diferentes medidas de similitud para los datos de texto. - Reducir los cálculos en la búsqueda del vecino k-más cercana mediante el uso de KD-árboles. - Producir aproximadas vecinos más cercanos utilizando hash sensibles localidad. - Comparar y contrastar las tareas de aprendizaje supervisadas y no supervisadas. - Documentos de racimo por tema utilizando k-medias. - Describir la forma de paralelizar k-medias utilizando MapReduce. - Examinar la agrupación enfoques probabilísticos utilizando modelos de mezclas. - Montar una mezcla de modelo Gaussiano usando expectativa de maximización (EM). - Realizar el modelado de miembros mixta utilizando la asignación de Dirichlet latente (LDA). - Describir los pasos de un muestreador de Gibbs y cómo utilizar su salida para sacar conclusiones. - Comparar y técnicas de contraste de inicialización para objetivos de optimización no convexos. - Poner en práctica estas técnicas en Python. Máquina de aprendizaje: Sistemas de Recomendación y reducción de dimensionalidad Estudio de caso: La recomendación de los productos ¿Cómo se recomiendan amazónica productos que podría estar interesado en comprar? ¿Cómo decidir qué Netflix películas o programas de televisión es posible que desee ver? ¿Qué pasa si usted es un usuario nuevo, debe Netflix acaba de recomendar las películas más populares? ¿Quién puede usted formar un nuevo enlace con en Facebook o LinkedIn? Estas preguntas son endémicas de la mayoría de las industrias basadas en los servicios, y son la base de la noción de filtrado colaborativo y los sistemas de recomendación desplegados para resolver estos problemas. En este cuarto estudio de caso, se exploran estas ideas en el contexto de recomendar productos a base de comentarios de los clientes. En este curso, usted explorará las técnicas de reducción de dimensionalidad para el modelado de datos de alta dimensión. En el caso de los sistemas de recomendación, sus datos se representa como relaciones entre usuarios y productos, con el potencial de millones de usuarios y cientos de miles de productos. Va a poner en práctica la factorización de la matriz y modelos de factores latentes para la tarea de predecir nuevas relaciones entre usuarios y productos. También se utiliza información secundaria sobre los productos y los usuarios para mejorar las predicciones. Resultados del aprendizaje: Al final de este curso, usted será capaz de: - Crear un sistema de filtrado colaborativo. - Reducir la dimensionalidad de los datos utilizando SVD, PCA, y las proyecciones aleatorias. - Realizar matriz de factorización utilizando coordenadas descenso. - Implementar modelos de factores latentes como un sistema de recomendación. - Manejar el problema de arranque en frío utilizando la información lateral. - Examinar una aplicación de la recomendación del producto. - Poner en práctica estas técnicas en Python. Machine Learning Capstone: una aplicación inteligente con el aprendizaje profundo ¿Se ha preguntado cómo se construye un sistema de recomendación de productos? ¿Cómo se puede inferir la sensibilidad subyacente de los comentarios? ¿Cómo se puede extraer información de imágenes para encontrar productos visualmente similares para recomendar? ¿Cómo se construye una aplicación que hace todas estas cosas en tiempo real, y proporciona una experiencia de usuario front-end? Eso es lo que se va a construir en este curso! Usando lo que ha aprendido sobre el aprendizaje de máquina hasta el momento, se va a construir un sistema de recomendación general de los productos que hace mucho más que simplemente encontrar productos similares Va a combinar imágenes de productos con descripciones de los productos y sus opiniones para crear una aplicación inteligente verdaderamente innovador. Usted probablemente ha escuchado que Deep Learning está haciendo noticia en todo el mundo como una de las técnicas más prometedoras en el aprendizaje de máquina, especialmente para el análisis de datos de imagen. Con todas las industrias dedicar recursos para desbloquear el potencial de aprendizaje profundo, para ser competitivos, tendrá que utilizar estos modelos en tareas tales como el etiquetado de imágenes, reconocimiento de objetos, reconocimiento de voz, y el análisis de textos. En este toque final, se va a construir modelos de aprendizaje profundas utilizando redes neuronales, explorar lo que son, lo que hacen, y cómo. Para eliminar la barrera introducida por el diseño, capacitación y redes de sintonización, y ser capaz de lograr un alto rendimiento con los datos menos marcadas, también se va a construir clasificadores de aprendizaje profundos adaptados a su tarea específica utilizando modelos pre-formados, lo que llamamos características profundas . Como una pieza central de este proyecto final, que pondrá en marcha un modelo de aprendizaje profundo por recomendación de productos basados ​​en la imagen. A continuación, combinar este modelo visual con descripciones de texto de los productos y la información de los comentarios de construir un emocionante aplicación inteligente, de extremo a extremo que proporciona una nueva experiencia de identificación de productos. A continuación, implementarlo como un servicio, que se puede compartir con sus amigos y los empleadores potenciales. Resultados del aprendizaje: Al final de esta piedra angular, usted será capaz de: - Explora un conjunto de datos de productos, opiniones e imágenes. - Construir un sistema de recomendación de productos. - Describe cómo se representa un modelo de red neuronal y cómo se codifica características no lineales. - Combinar diferentes tipos de capas y funciones de activación para obtener un mejor rendimiento. - Uso pretrained modelos, tales como características de profundidad, para las nuevas tareas de clasificación. - Describir cómo estos modelos pueden ser aplicados en la visión por computador, análisis de texto y reconocimiento de voz. - Utilizar las funciones visuales para encontrar los productos que sus usuarios quieren. - Incorporar opinión el sentimiento en la recomendación. - Construir una aplicación de extremo a extremo. - Implementar como un servicio. - Poner en práctica estas técnicas en Python. [-]

Contacto
Dirección de contacto
USA Online, US