Эта статья была изначально опубликована на https://infosimples.com/ автором Изабель Гомес в августе 2014 г. Она была импортирована в Infosimples Medium, новый дом статей Infosimples.

Недавно я решил посетить онлайн-курс Машинное обучение на Coursera. В этой статье я расскажу о структуре курса и его содержании.

Цель класса

Класс машинного обучения ведет Эндрю Нг, соучредитель Coursera и директор лаборатории искусственного интеллекта Стэнфордского университета.

Цель занятия — научить некоторым алгоритмам, решающим задачи с использованием искусственного интеллекта, а также продемонстрировать стоящую за ними интуицию.

Методология

Класс разделен на 10 уроков о различных алгоритмах машинного обучения. Каждый класс состоит из:

  • Видео: объясните работу и применение алгоритма, а также приведите примеры использования;
  • Контрольные вопросы: проверьте понимание учащимся предметов, описанных в видеороликах;
  • Упражнения по программированию: прямо применяйте концепции, изученные в классе, и помогайте лучше понять их.

Алгоритмы

Алгоритмы, изучаемые в классе, можно разделить на следующие категории:

  1. контролируемое обучение
  2. Неконтролируемое обучение

Обучение с учителем относится к алгоритмам, которые пытаются предсказать результат на основе набора данных. В этих случаях для обучения алгоритма необходимо кормить его базой данных, которая имеет входы и соответствующие выходы. Этот тип алгоритмов машинного обучения делится на две подкатегории:

  • Задачи регрессии: в этом случае выходные значения алгоритма непрерывны, т. е. могут принимать бесконечное количество значений. Например, решение о цене дома на основе его характеристик, таких как количество спален и его размер, считается проблемой регрессии.
  • Проблемы классификации. Результатом работы алгоритмов этой подкатегории являются дискретные значения, содержащиеся в определенном наборе значений. Например, алгоритм, который решает, является ли электронное письмо спамом или нет, всегда выдает 0 или 1, поэтому его можно считать алгоритмом классификации.

Неконтролируемое обучение относится к алгоритмам, которые пытаются сгруппировать данные со схожими характеристиками. Например, этот тип алгоритма можно использовать для группировки похожих людей в социальных сетях.

В этом курсе основными алгоритмами обучения с учителем являются линейная регрессия, логистическая регрессия, нейронные сети и машина опорных векторов, а основными алгоритмами обучения без учителя являются K-средние, обнаружение аномалий и системы рекомендаций.

Первоначально опубликовано на infosimples.com.