Acerca de este Curso

276,605 vistas recientes

Resultados profesionales del estudiante

44%

comenzó una nueva carrera después de completar estos cursos

43%

consiguió un beneficio tangible en su carrera profesional gracias a este curso

18%

consiguió un aumento de sueldo o ascenso
Certificado para compartir
Obtén un certificado al finalizar
100 % en línea
Comienza de inmediato y aprende a tu propio ritmo.
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Aprox. 18 horas para completar
Inglés (English)
Subtítulos: Inglés (English), Coreano, Árabe (Arabic)

Habilidades que obtendrás

Linear RegressionRidge RegressionLasso (Statistics)Regression Analysis

Resultados profesionales del estudiante

44%

comenzó una nueva carrera después de completar estos cursos

43%

consiguió un beneficio tangible en su carrera profesional gracias a este curso

18%

consiguió un aumento de sueldo o ascenso
Certificado para compartir
Obtén un certificado al finalizar
100 % en línea
Comienza de inmediato y aprende a tu propio ritmo.
Fechas límite flexibles
Restablece las fechas límite en función de tus horarios.
Aprox. 18 horas para completar
Inglés (English)
Subtítulos: Inglés (English), Coreano, Árabe (Arabic)

ofrecido por

Logotipo de Universidad de Washington

Universidad de Washington

Programa - Qué aprenderás en este curso

Calificación del contenidoThumbs Up94%(17,678 calificaciones)Info
Semana
1

Semana 1

1 hora para completar

Welcome

1 hora para completar
5 videos (Total 20 minutos), 3 lecturas
5 videos
What is the course about?3m
Outlining the first half of the course5m
Outlining the second half of the course5m
Assumed background4m
3 lecturas
Important Update regarding the Machine Learning Specialization10m
Slides presented in this module10m
Reading: Software tools you'll need10m
3 horas para completar

Simple Linear Regression

3 horas para completar
25 videos (Total 122 minutos), 5 lecturas, 2 cuestionarios
25 videos
Regression fundamentals: data & model8m
Regression fundamentals: the task2m
Regression ML block diagram4m
The simple linear regression model2m
The cost of using a given line6m
Using the fitted line6m
Interpreting the fitted line6m
Defining our least squares optimization objective3m
Finding maxima or minima analytically7m
Maximizing a 1d function: a worked example2m
Finding the max via hill climbing6m
Finding the min via hill descent3m
Choosing stepsize and convergence criteria6m
Gradients: derivatives in multiple dimensions5m
Gradient descent: multidimensional hill descent6m
Computing the gradient of RSS7m
Approach 1: closed-form solution5m
Approach 2: gradient descent7m
Comparing the approaches1m
Influence of high leverage points: exploring the data4m
Influence of high leverage points: removing Center City7m
Influence of high leverage points: removing high-end towns3m
Asymmetric cost functions3m
A brief recap1m
5 lecturas
Slides presented in this module10m
Optional reading: worked-out example for closed-form solution10m
Optional reading: worked-out example for gradient descent10m
Download notebooks to follow along10m
Fitting a simple linear regression model on housing data10m
2 ejercicios de práctica
Simple Linear Regression14m
Fitting a simple linear regression model on housing data8m
Semana
2

Semana 2

3 horas para completar

Multiple Regression

3 horas para completar
19 videos (Total 87 minutos), 5 lecturas, 3 cuestionarios
19 videos
Polynomial regression3m
Modeling seasonality8m
Where we see seasonality3m
Regression with general features of 1 input2m
Motivating the use of multiple inputs4m
Defining notation3m
Regression with features of multiple inputs3m
Interpreting the multiple regression fit7m
Rewriting the single observation model in vector notation6m
Rewriting the model for all observations in matrix notation4m
Computing the cost of a D-dimensional curve9m
Computing the gradient of RSS3m
Approach 1: closed-form solution3m
Discussing the closed-form solution4m
Approach 2: gradient descent2m
Feature-by-feature update9m
Algorithmic summary of gradient descent approach4m
A brief recap1m
5 lecturas
Slides presented in this module10m
Optional reading: review of matrix algebra10m
Exploring different multiple regression models for house price prediction10m
Numpy tutorial10m
Implementing gradient descent for multiple regression10m
3 ejercicios de práctica
Multiple Regression18m
Exploring different multiple regression models for house price prediction16m
Implementing gradient descent for multiple regression10m
Semana
3

Semana 3

2 horas para completar

Assessing Performance

2 horas para completar
14 videos (Total 93 minutos), 2 lecturas, 2 cuestionarios
14 videos
What do we mean by "loss"?4m
Training error: assessing loss on the training set7m
Generalization error: what we really want8m
Test error: what we can actually compute4m
Defining overfitting2m
Training/test split1m
Irreducible error and bias6m
Variance and the bias-variance tradeoff6m
Error vs. amount of data6m
Formally defining the 3 sources of error14m
Formally deriving why 3 sources of error20m
Training/validation/test split for model selection, fitting, and assessment7m
A brief recap1m
2 lecturas
Slides presented in this module10m
Polynomial Regression10m
2 ejercicios de práctica
Assessing Performance26m
Exploring the bias-variance tradeoff8m
Semana
4

Semana 4

3 horas para completar

Ridge Regression

3 horas para completar
16 videos (Total 85 minutos), 5 lecturas, 3 cuestionarios
16 videos
Overfitting demo7m
Overfitting for more general multiple regression models3m
Balancing fit and magnitude of coefficients7m
The resulting ridge objective and its extreme solutions5m
How ridge regression balances bias and variance1m
Ridge regression demo9m
The ridge coefficient path4m
Computing the gradient of the ridge objective5m
Approach 1: closed-form solution6m
Discussing the closed-form solution5m
Approach 2: gradient descent9m
Selecting tuning parameters via cross validation3m
K-fold cross validation5m
How to handle the intercept6m
A brief recap1m
5 lecturas
Slides presented in this module10m
Download the notebook and follow along10m
Download the notebook and follow along10m
Observing effects of L2 penalty in polynomial regression10m
Implementing ridge regression via gradient descent10m
3 ejercicios de práctica
Ridge Regression18m
Observing effects of L2 penalty in polynomial regression14m
Implementing ridge regression via gradient descent16m

Revisiones

Principales revisiones sobre MACHINE LEARNING: REGRESSION

Ver todos los comentarios

Acerca de Programa especializado: Aprendizaje Automático

This Specialization from leading researchers at the University of Washington introduces you to the exciting, high-demand field of Machine Learning. Through a series of practical case studies, you will gain applied experience in major areas of Machine Learning including Prediction, Classification, Clustering, and Information Retrieval. You will learn to analyze large and complex datasets, create systems that adapt and improve over time, and build intelligent applications that can make predictions from data....
Aprendizaje Automático

Preguntas Frecuentes

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
  • Cuando te inscribes en un curso, obtienes acceso a todos los cursos que forman parte del Programa especializado y te darán un Certificado cuando completes el trabajo. Se añadirá tu Certificado electrónico a la página Logros. Desde allí, puedes imprimir tu Certificado o añadirlo a tu perfil de LinkedIn. Si solo quieres leer y visualizar el contenido del curso, puedes auditar el curso sin costo.

  • Si estás suscrito, obtienes una prueba gratis de 7 días, que podrás cancelar cuando desees sin ningún tipo de penalidad. Una vez transcurrido ese tiempo, no realizamos reembolsos. No obstante, puedes cancelar tu suscripción cuando quieras. Consulta nuestra política completa de reembolsos.

  • Sí, Coursera ofrece ayuda económica a los estudiantes que no pueden pagar la tarifa. Solicítala haciendo clic en el enlace de Ayuda económica que está debajo del botón “Inscribirse” a la izquierda. Se te pedirá que completes una solicitud. Recibirás una notificación en caso de que se apruebe. Deberás completar este paso para cada uno de los cursos que forman parte del Programa especializado, incluido el proyecto final. Obtén más información.

¿Tienes más preguntas? Visita el Centro de Ayuda al Alumno.