本课程主要介绍数据以及数据对应用机器学习模型成功的关键作用。完成本课程后，学习者将掌握以下技能： 了解学习、训练和运行阶段数据的关键要素 了解数据的偏差和来源 实施提高模型通用性的技术 解释过拟合的后果并确定缓解措施 实施适当的测试和验证措施 展示如何通过深思熟虑的特征工程提高模型的准确性 探索算法参数对模型强度的影响 要成功完成本课程，您至少应具备 Python 编程的初级背景（例如，能够阅读和跟踪现有代码，熟悉条件循环、变量循环、列表、字典和数组）、能够阅读和跟踪现有代码，熟练使用条件、循环、变量、列表、字典和数组）。您应该对线性代数（向量符号）和统计学（概率分布和均值/中值/模式）有基本的了解。 本课程是 Coursera 和阿尔伯塔机器智能研究所为您开设的应用机器学习专业的第三门课程。