参加实践作业需要安装任何软件吗？

需要安装特定的软件，如 Python 和 TensorFlow。我们将提供详细说明，指导您完成设置过程，确保您拥有完成实践作业所需的工具。

本课程有实践项目吗？

课程包括多个实践项目，旨在将理论知识应用到实际场景中，通过实际应用提高学习效果。

课程会涵盖 ML 和 NLP 的最新趋势和工具吗？

是的，课程内容会定期更新，以反映该领域的最新发展和工具，确保您始终站在技术进步的最前沿。

本课程与其他在线提供的 ML 和 NLP 课程有何不同？

我们的课程与众不同之处在于，它提供了综合 ML 和 NLP 的全面课程，并辅以实践作业、实际项目以及对当前工具和方法的 Accessibility。

完成本课程后，我可以申请哪些工作岗位？

完成本课程后，您就可以胜任数据科学家、ML 工程师、NLP 专家和 AI 研究员等职位，掌握应对这些领域复杂挑战的技能。

我能获得分类和回归模型的实践经验吗？

是的，课程包括实践项目，您将利用真实世界的数据建立和应用分类和 Regression 模型，如 Decision Tree 和 Random Forests，从而获得实践经验。

课程是否解释了监督学习、非监督学习和强化学习之间的区别？

是的，课程涵盖了机器学习的基础知识，通过实际案例清楚地解释了监督学习、无监督学习、半监督学习和强化学习之间的区别。

我什么时候能看到讲座和作业？

要获取课程资料、作业和证书，您需要在注册课程时购买证书体验。您可以尝试免费试听，或申请资助。课程可能提供 "完整课程，无证书"。通过该选项，您可以查看所有课程资料，提交必要的评估，并获得最终成绩。这也意味着您无法购买证书体验。

订阅本专业会有什么好处？

注册课程后，您就可以访问专项课程中的所有课程，完成作业后还可以获得证书。您的电子证书将添加到您的 "成就 "页面--在那里，您可以打印证书或将其添加到您的 LinkedIn 个人资料中。

是否有经济援助？

是的。在特定的学习课程中，如果您付不起注册费，可以申请助学金或奖学金。如果您选择的学习课程有助学金或奖学金，您可以在说明页面找到申请链接。

机器学习和 NLP 基础知识

本课程是用 LLM 学习生成式 AI 专项课程的一部分

位教师：Edureka

4,452 人已注册

包含在 Coursera Plus 中

了解更多

4个模块

深入了解一个主题并学习基础知识。

3.3

（28 条评论）

初级等级

推荐体验

2 周完成

在 10 小时一周

灵活的计划

自行安排学习进度

4个模块

深入了解一个主题并学习基础知识。

3.3

（28 条评论）

初级等级

推荐体验

2 周完成

在 10 小时一周

灵活的计划

自行安排学习进度

您将学到什么

了解机器学习基础知识，应用监督学习、无监督学习和强化学习进行预测建模。
开发深度神经网络，使用带有 LSTM 的 CNN 和 RNN 完成图像分类和序列预测任务。
使用 Tokenization、词干化等 NLP 技术，并使用字袋法和奈维贝叶斯法进行文本分类。
参与实践项目，将 ML 和 NLP 概念应用到实际场景中，获得实践经验。

您将获得的技能

要了解的详细信息

可分享的证书

添加到您的领英档案

作业

15 项作业

授课语言：英语（English）

了解顶级公司的员工如何掌握热门技能

了解关于 Coursera for Business 的更多信息

Petrobras, TATA, Danone, Capgemini, P&G 和 L'Oreal 的徽标

积累特定领域的专业知识

本课程是用 LLM 学习生成式 AI 专项课程专项课程的一部分

在注册此课程时，您还会同时注册此专项课程。

向行业专家学习新概念
获得对主题或工具的基础理解
通过实践项目培养工作相关技能
获得可共享的职业证书

该课程共有4个模块

Machine Learning 和 NLP 基础课程是专为对机器学习 (ML) 和自然语言处理 (NLP) 基础知识感兴趣的个人设计的学习资源。本课程非常适合学生、数据科学家、软件工程师以及任何希望建立或加强机器学习和自然语言处理技能的人。

无论您是刚开始学习，还是想巩固基础，本课程都能提供实用技能和实际应用。通过本课程，学员将扎实地了解机器学习基础知识，探索各种 ML 类型，使用分类和 Regression 技术，并参与实际评估。课程结束时，您将能够： - 理解并应用机器学习和 NLP 的核心概念。 - 区分各种机器学习类型以及何时使用它们。 - 在 ML 中实施分类、回归和优化技术。 - 利用 Deep Learning Model 解决复杂问题。 - 浏览 TensorFlow 以构建和训练模型。 - 探索用于图像和序列数据处理的 CNN 和 RNN。 - 探索用于文本分析和分类的 NLP 技术。希望学员对文本分析和分类有基本的了解。本课程旨在帮助学员掌握必要的技能和信心，以便在不断发展的人工智能和数据科学领域中游刃有余，为进一步学习和职业发展奠定坚实的基础。

本 Module 介绍机器学习 (ML) 的基础知识、类型和应用。内容包括监督学习、无监督学习、半监督学习和强化学习，以及分类、回归、决策树、随机森林和优化等主要方法。

涵盖的内容

28个视频4篇阅读材料4个作业1个讨论话题1个插件

28个视频总计147分钟

课程介绍4分钟
人工智能要点6分钟
人工智能学科6分钟
AI 学科的各种应用3分钟
人工智能的类型4分钟
人工智能 I 型5分钟
人工智能第二类6分钟
Machine Learning 基础知识4分钟
机器学习的应用5分钟
Prediction ML 模型6分钟
分类和其他模型5分钟
ML 算法：深度挖掘5分钟
ML 算法 - 第二部分5分钟
监督式机器学习4分钟
监督学习的应用3分钟
无监督机器学习的市场细分策略5分钟
无监督机器学习简介6分钟
半监督学习7分钟
强化学习5分钟
Use - 强化案例3分钟
分类7分钟
分类算法的类型2分钟
其他类型的分类算法4分钟
分类演示3分钟
特征扫描和训练分类器4分钟
可视化分类报告3分钟
回归6分钟
Regression 演示7分钟

4篇阅读材料总计40分钟

课程概览10分钟
如何使用论坛？5分钟
Machine Learning 案例研究：用于糖尿病早期检测的 Prediction 模型15分钟
Module 总结：机器学习10分钟

4个作业总计19分钟

知识检查：机器学习基础知识3分钟
知识检查：机器学习类型3分钟
知识检查：分类与回归3分钟
知识检查：机器学习10分钟

1个讨论话题总计10分钟

人工智能与机器学习之间的关系10分钟

1个插件总计10分钟

您已经了解 Machine Learning 和 NLP 吗？10分钟

本 Modulation 全面探讨深度神经网络，涵盖基本概念、实际实现和高级技术。从了解深度学习的基础知识及其与人脑功能的比较，到深入研究卷积神经网络（CNN）和具有长短期记忆（LSTM）的递归神经网络（RNN）等特定架构，本模块让学习者掌握为各种任务（包括图像分类和序列预测）设计、训练和优化深度学习模型所需的知识和技能。

涵盖的内容

70个视频9篇阅读材料6个作业5个讨论话题

70个视频总计408分钟

Deep Learning 基础知识5分钟
机器学习与深度学习深度学习5分钟
人脑与 Neural Networking5分钟
神经网络简介4分钟
感知器5分钟
Perceptron 的组件3分钟
学习率5分钟
学习率较低3分钟
Epoch6分钟
Epoch 的重要性5分钟
批量大小7分钟
选择合适的批量大小7分钟
单层 Perceptron4分钟
单层 Perceptron 的工作原理4分钟
安装 TensorFlow7分钟
TensorFlow 安装6分钟
定义 sequence-to-sequence 模型层7分钟
Activation Function6分钟
高级激活功能6分钟
层类型5分钟
图层类型8分钟
模型 Compiler6分钟
模型 Compiler 的用途5分钟
模型优化器5分钟
了解模型优化器8分钟
模型优化器的用途6分钟
在 TensorFlow 2.x 中使用简单神经网络进行数字分类6分钟
改进模型7分钟
添加隐藏层5分钟
神经网络中的 Hidden Layer2分钟
添加 Dropout7分钟
亚当优化器6分钟
如何使用 Adam Optimization？3分钟
图像分类示例5分钟
图像分类 - II4分钟
卷积神经网络6分钟
为什么 CNN 比 MLP 更受青睐？7分钟
ReLU 层7分钟
汇集7分钟
ReLU 层的实施6分钟
数据扁平化7分钟
层层叠加6分钟
压平层2分钟
全连接层5分钟
最后一层5分钟
Prediction 一只猫或一只狗7分钟
建立猫与狗的分类模型3分钟
狗与猫的演示 - I5分钟
狗与猫的演示 - II6分钟
狗与猫的演示 - III4分钟
保存和加载模型的重要性3分钟
保存和 Load 模型5分钟
演示-保存和加载模型5分钟
实施 RNN13分钟
LSTM 基础知识9分钟
LSTM 结构4分钟
大门6分钟
LSTM 中的闸门3分钟
输入、输出和遗忘门7分钟
LSTM 架构2分钟
LSTM 架构：概述5分钟
LSTM 架构：GATES5分钟
LSTM 架构的重要性4分钟
基于 sequence-to-sequence 的模型3分钟
基于序列的 CNN 模型8分钟
CNN 中基于 sequence-to-sequence 的模型：延续0分钟
LSTM 的类型5分钟
Vanilla LSTM 和 Stacked LSTM6分钟
卷积神经网络 LSTM3分钟
双向 LSTM4分钟

9篇阅读材料总计90分钟

维度的诅咒10分钟
TensorFlow 简介10分钟
卷积：详解10分钟
卷积层：深入探索10分钟
RNN 基础知识10分钟
RNN 的结构10分钟
如何提高模型的效率？10分钟
时间反向传播10分钟
Module Summary: 深度学习10分钟

6个作业总计25分钟

知识检查：Deep Learning - 概述3分钟
知识检查：TensorFlow3分钟
知识检查：使用简单神经网络进行数字分类3分钟
知识检查：卷积神经网络 Networking3分钟
知识检查：递归神经网络和长短期记忆3分钟
知识检查：深度学习10分钟

5个讨论话题总计50分钟

Activation Function 对单层 Perceptron 的影响10分钟
Activation Function 对神经网络性能的影响10分钟
用于数字分类的 Neural Network 模型10分钟
全连接层的意义10分钟
传统 RNN 与 LSTM 网络的区别10分钟

本 Modulation 介绍文本挖掘和分析的基础知识。它涵盖提取、Data Cleaning 和预处理文本数据的各种技术，包括 tokenization、词干化、词法化和命名实体识别。此外，该 Modulation 还探讨了分析句子结构的方法，如语法树和分块，以及使用字袋、计数矢量器和多项式 Naive Bayes 分类器的文本分类技术。通过实际作业和讨论，学员可以深入了解文本挖掘在不同领域的应用，以及处理文本数据的基本工具和流程。

涵盖的内容

39个视频4篇阅读材料4个作业3个讨论话题

39个视频总计222分钟

文本挖掘3分钟
文本挖掘的必要性7分钟
文本挖掘的应用6分钟
文本挖掘应用比较4分钟
设置 NLTK4分钟
NLTK 设置演示4分钟
访问 NLTK 语料库14分钟
令牌化5分钟
tokenization 的类型4分钟
tokenization 的用途5分钟
双形词、三形词和 Ngrams6分钟
大词法、三词法和词法演示6分钟
去梗6分钟
不同类型的干粉灭火器2分钟
去梗示范8分钟
词表化8分钟
使用 NLTK 进行词表化4分钟
停止词5分钟
停顿词演示9分钟
POS 标记4分钟
POS 的常见标签和说明6分钟
需要 POS 标签4分钟
语篇示范4分钟
字袋7分钟
Bagging 方法演示4分钟
Bagging 方法演示 - II4分钟
文本处理4分钟
计数 Vectorizer7分钟
Scikit-learn 中的计数 Vectorization - 学习6分钟
术语频率 (TF)5分钟
Scikit-learn 中的词频 - 学习3分钟
术语频率演示3分钟
术语频率演示 - II5分钟
反向文档频率 (IDF)5分钟
反向文档频率 (IDF) 示例5分钟
多项式 Naive Bayes 分类器7分钟
多项式 Naive Bayes 算法4分钟
利用 Confusion Matrix2分钟
Confusion Matrix 的表示方法6分钟

4篇阅读材料总计45分钟

自然语言处理（NLP）教程10分钟
NLP 中的频率分布10分钟
tokenization 及其类型详解15分钟
Module Summary: 自然语言处理10分钟

4个作业总计19分钟

知识检查：文本挖掘入门3分钟
知识检查：提取、清理和预处理文本3分钟
知识检查：文本分类3分钟
知识检查：自然语言处理10分钟

3个讨论话题总计30分钟

提高基于文本的应用程序的效率10分钟
NLP 技术的优势和局限性10分钟
将文本数据转换为 Feature 和标签10分钟

本模块是课程的最后阶段，为学习者提供对整个 Modulation 所学知识和技能的全面回顾和评估。在整个 Modulation 模块中，学习者会参与各种活动，以巩固所学知识并评估对课程材料的理解。这些活动包括完成一个将所学概念应用到实际场景中的实践项目，完成一个评估熟练程度的分级作业，以及观看一个总结主要收获和成果的课程结业视频。