このコースについて

41,498 最近の表示

受講生の就業成果

35%

コース終了後に新しいキャリアをスタートした

37%

コースが具体的なキャリアアップにつながった
共有できる証明書
修了時に証明書を取得
100%オンライン
自分のスケジュールですぐに学習を始めてください。
次における4の4コース
柔軟性のある期限
スケジュールに従って期限をリセットします。
約17時間で修了
英語

習得するスキル

Data Clustering AlgorithmsK-Means ClusteringMachine LearningK-D Tree

受講生の就業成果

35%

コース終了後に新しいキャリアをスタートした

37%

コースが具体的なキャリアアップにつながった
共有できる証明書
修了時に証明書を取得
100%オンライン
自分のスケジュールですぐに学習を始めてください。
次における4の4コース
柔軟性のある期限
スケジュールに従って期限をリセットします。
約17時間で修了
英語

提供:

Placeholder

ワシントン大学(University of Washington)

シラバス - 本コースの学習内容

コンテンツの評価Thumbs Up91%(5,984 件の評価)Info
1

1

1時間で修了

Welcome

1時間で修了
4件のビデオ (合計25分), 4 学習用教材
4件のビデオ
Course overview3 分
Module-by-module topics covered8 分
Assumed background6 分
4件の学習用教材
Important Update regarding the Machine Learning Specialization10 分
Slides presented in this module10 分
Software tools you'll need for this course10 分
A big week ahead!10 分
2

2

5時間で修了

Nearest Neighbor Search

5時間で修了
22件のビデオ (合計137分), 4 学習用教材, 5 個のテスト
22件のビデオ
1-NN algorithm2 分
k-NN algorithm6 分
Document representation5 分
Distance metrics: Euclidean and scaled Euclidean6 分
Writing (scaled) Euclidean distance using (weighted) inner products4 分
Distance metrics: Cosine similarity9 分
To normalize or not and other distance considerations6 分
Complexity of brute force search1 分
KD-tree representation9 分
NN search with KD-trees7 分
Complexity of NN search with KD-trees5 分
Visualizing scaling behavior of KD-trees4 分
Approximate k-NN search using KD-trees7 分
Limitations of KD-trees3 分
LSH as an alternative to KD-trees4 分
Using random lines to partition points5 分
Defining more bins3 分
Searching neighboring bins8 分
LSH in higher dimensions4 分
(OPTIONAL) Improving efficiency through multiple tables22 分
A brief recap2 分
4件の学習用教材
Slides presented in this module10 分
Choosing features and metrics for nearest neighbor search10 分
(OPTIONAL) A worked-out example for KD-trees10 分
Implementing Locality Sensitive Hashing from scratch10 分
5の練習問題
Representations and metrics30 分
Choosing features and metrics for nearest neighbor search30 分
KD-trees30 分
Locality Sensitive Hashing30 分
Implementing Locality Sensitive Hashing from scratch30 分
3

3

3時間で修了

Clustering with k-means

3時間で修了
13件のビデオ (合計79分), 2 学習用教材, 3 個のテスト
13件のビデオ
An unsupervised task6 分
Hope for unsupervised learning, and some challenge cases4 分
The k-means algorithm7 分
k-means as coordinate descent6 分
Smart initialization via k-means++4 分
Assessing the quality and choosing the number of clusters9 分
Motivating MapReduce8 分
The general MapReduce abstraction5 分
MapReduce execution overview and combiners6 分
MapReduce for k-means7 分
Other applications of clustering7 分
A brief recap1 分
2件の学習用教材
Slides presented in this module10 分
Clustering text data with k-means10 分
3の練習問題
k-means30 分
Clustering text data with K-means16 分
MapReduce for k-means30 分
4

4

4時間で修了

Mixture Models

4時間で修了
15件のビデオ (合計91分), 4 学習用教材, 3 個のテスト
15件のビデオ
Aggregating over unknown classes in an image dataset6 分
Univariate Gaussian distributions2 分
Bivariate and multivariate Gaussians7 分
Mixture of Gaussians6 分
Interpreting the mixture of Gaussian terms5 分
Scaling mixtures of Gaussians for document clustering5 分
Computing soft assignments from known cluster parameters7 分
(OPTIONAL) Responsibilities as Bayes' rule5 分
Estimating cluster parameters from known cluster assignments6 分
Estimating cluster parameters from soft assignments8 分
EM iterates in equations and pictures6 分
Convergence, initialization, and overfitting of EM9 分
Relationship to k-means3 分
A brief recap1 分
4件の学習用教材
Slides presented in this module10 分
(OPTIONAL) A worked-out example for EM10 分
Implementing EM for Gaussian mixtures10 分
Clustering text data with Gaussian mixtures10 分
3の練習問題
EM for Gaussian mixtures30 分
Implementing EM for Gaussian mixtures30 分
Clustering text data with Gaussian mixtures30 分

レビュー

MACHINE LEARNING: CLUSTERING & RETRIEVAL からの人気レビュー

すべてのレビューを見る

機械学習専門講座について

機械学習

よくある質問

さらに質問がある場合は、受講者向けヘルプセンターにアクセスしてください。