機器學習專業化 - 詳細項目介紹

項目概述

Machine Learning Specialization 是由 DeepLearning.AI 與史丹佛大學線上（Stanford Online）合作創建的基礎線上課程項目。這個對初學者友好的項目將教授機器學習基礎知識，以及如何使用這些技術構建真實世界的 AI 應用。

講師資訊

本專業化課程由 Andrew Ng 教授，他是一位 AI 遠見者，曾在史丹佛大學領導關鍵研究，並在 Google Brain、百度和 Landing.AI 開展了開創性的工作，推進了 AI 領域的發展。

Andrew Ng 是 DeepLearning.AI 的創始人，AI Fund 的普通合夥人，Coursera 的聯合創始人兼董事長，以及史丹佛大學的兼職教授。

課程歷史與聲譽

這個 3 門課程的專業化項目是 Andrew 開創性的機器學習課程的更新版本，該課程評分 4.9/5，自 2012 年推出以來已有超過 480 萬學習者參與。

截至 2020 年，Coursera 上最受歡迎的三門課程中有三門是 Andrew Ng 的：機器學習（第 1 位）、AI for Everyone（第 5 位）、神經網路與深度學習（第 6 位）。

課程結構

該專業化課程分為 3 門課程，每門課程都有特定的主題和按週劃分的內容：

1. Supervised Machine Learning: Regression and Classification（監督式機器學習：迴歸與分類）

   • 機器學習入門
   • 迴歸（線性迴歸）
   • 分類（邏輯迴歸）

2. Advanced Learning Algorithms（高級學習演算法）

   • 神經網路
   • 決策樹
   • 隨機森林
   • 提升演算法（Boosting）
   • 應用機器學習的實用建議

3. Unsupervised Learning, Recommenders, Reinforcement Learning（無監督學習、推薦系統、強化學習）

   • 無監督學習技術
   • 推薦系統
   • 強化學習基礎

學習時長

按每週 5 小時的學習速度，完成課程 1 需要 3 週，完成課程 2 需要 4 週，完成課程 3 需要 3 週。

課程內容詳細介紹

本課程提供現代機器學習的廣泛介紹，包括：

監督式學習

• 多元線性迴歸
• 邏輯迴歸
• 神經網路
• 決策樹

無監督式學習

• 聚類
• 降維
• 推薦系統

矽谷最佳實踐

• 模型評估和調優
• 採用以數據為中心的方法來提高性能
• 其他 AI 和機器學習創新實踐

學習成果

完成本專業化課程後，您將能夠：

• 使用流行的機器學習庫 NumPy 和 scikit-learn 在 Python 中構建機器學習模型
• 構建和訓練用於預測和二元分類任務的監督式機器學習模型，包括線性迴歸和邏輯迴歸
• 使用 TensorFlow 構建和訓練神經網路以執行多類分類
• 應用機器學習開發的最佳實踐，使您的模型能夠泛化到現實世界的數據和任務
• 構建和使用決策樹和樹集成方法，包括隨機森林和提升樹
• 使用無監督學習技術：包括聚類和異常檢測
• 使用協同過濾方法和基於內容的深度學習方法構建推薦系統
• 構建深度強化學習模型

課程特色

該課程的特色包括：

• 不需要先前的數學知識或嚴格的編程背景
• 採用核心課程內容——經過多年數百萬學習者驗證——並使其更易於理解
• 通過直觀的視覺方法教授基礎 AI 概念，然後介紹實現演算法所需的代碼和基礎數學

技術堆疊與工具

課程主要使用以下技術和工具：

# 主要 Python 庫
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import scikit-learn
import tensorflow as tf

適合人群

• 機器學習初學者
• 希望進入 AI 領域的專業人士
• 想要在機器學習領域建立職業生涯的學習者
• 具有基本 Python 知識的開發者

認證與證書

完成課程後將獲得 Coursera 認證證書，該證書由史丹佛大學和 DeepLearning.AI 聯合頒發。

課程評價

如果您希望進入 AI 領域或在機器學習領域建立職業生涯，新的機器學習專業化課程是最好的起點。

---

注意： 本課程為英文授課，建議具備基本的英語聽說讀寫能力。課程提供字幕和作業支持，適合全球學習者參與。