Machine Learning and its Applications

Erweitern Sie Ihre Kenntnisse mit Coursera Plus für 239 $/Jahr (normalerweise 399 $). Jetzt sparen.

kurs ist nicht verfügbar in Deutsch (Deutschland)

Wir übersetzen es in weitere Sprachen. Sehen Sie sich die Sprachen an, die wir anbieten.

Machine Learning and its Applications

Dieser Kurs ist Teil von Spezialisierung „Applied AI for Engineers and Scientists: Foundations“

Dozent: Bo Liu

Bei enthalten

Mehr erfahren

5 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

47 Bewertungen

Stufe Anfänger

Empfohlene Erfahrung

2 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

5 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

47 Bewertungen

Stufe Anfänger

Empfohlene Erfahrung

2 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

Was Sie lernen werden

Learn essential concepts and working principles of machine learning algorithms and their application in science and engineering.

Kompetenzen, die Sie erwerben

Kategorie: Data Preprocessing
Kategorie: Model Evaluation
Kategorie: Artificial Intelligence and Machine Learning (AI/ML)

Werkzeuge, die Sie lernen werden

Kategorie: Classification Algorithms

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

5 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung „Applied AI for Engineers and Scientists: Foundations“

Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.

Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat zur Vorlage

In diesem Kurs gibt es 5 Module

One of the most important applications of AI in engineering is classification and regression using machine learning. After taking this course, students will have a clear understanding of essential concepts in machine learning, and be able to fluently use popular machine learning techniques in science and engineering problems via MATLAB. Among the many machine learning methods, only those with the best performance and are widely used in science and engineering are carefully selected and taught. To avoid students getting lost in details, in contrast to teaching machine learning methods one by one, the first two lectures display the global picture of machine learning, making students clearly understand essential concepts and the working principle of machine learning. Data preparation is then introduced, followed by two popular machine learning methods, support vector machines and artificial neural networks. Practical cases in science and engineering are provided, making sure students have the ability to apply what they have learned in real practice. In addition, MATLAB classification and regression apps, which allow easy access to many machine learning methods, are introduced.

One of the most important applications of AI in science and engineering is classification and regression using machine learning. This module introduces essential concepts and principles in machine learning using two simple but useful machine learning techniques. After learning this module, students will be able to:

Das ist alles enthalten

10 Videos7 Lektüren1 Aufgabe2 App-Elemente1 Diskussionsthema

10 VideosInsgesamt 65 Minuten

Welcome to the specialization - Applied AI for Engineers and Scientists: Foundations6 Minuten
Module 7: Introduction to Week 7's Study2 Minuten
Machine Learning Fundamentals: What is Machine Learning6 Minuten
Machine Learning Fundamentals: Fundamental Concepts in Machine Learning (1)6 Minuten
Machine Learning Fundamentals: Fundamental Concepts in Machine Learning (2)9 Minuten
Mapping Inputs to Outputs: Data Representation11 Minuten
Mapping Inputs to Outputs: Parametric ML Model8 Minuten
Mapping Inputs to Outputs: Non-Parametric ML Model8 Minuten
Mapping Inputs to Outputs: Evaluate Output3 Minuten
MATLAB Implementation: Simple Linear Regression and KNN7 Minuten

7 LektürenInsgesamt 56 Minuten

Specialization and Course Structure10 Minuten
Specialization Sample Certificate10 Minuten
How to Access MATLAB Online5 Minuten
Materials for Machine Learning Fundamentals10 Minuten
Materials for Mapping Inputs to Outputs10 Minuten
Materials about MATLAB Implementation10 Minuten
CSV File for Module 7 Assignment 1 Minute

1 AufgabeInsgesamt 30 Minuten

Module 7 Quiz30 Minuten

2 App-ElementeInsgesamt 60 Minuten

Module 7 Assignment 130 Minuten
Module 7 Assignment 230 Minuten

1 DiskussionsthemaInsgesamt 10 Minuten

Module 7 Discussion on Machine Learning10 Minuten

Continuing the last module, this module still introduces essential concepts and principles in machine learning with a focus on model training and evaluation. After learning this module, students will be able to:

Das ist alles enthalten

7 Videos4 Lektüren1 Aufgabe2 App-Elemente1 Diskussionsthema

7 VideosInsgesamt 50 Minuten

Module 8: Introduction to Week 8's Study2 Minuten
ML Model Training Fundamentals: Parameters, Hyperparameters, and Loss Functions9 Minuten
ML Model Training Fundamentals: Loss Functions and Gradient Descent6 Minuten
ML Model Training Fundamentals: Gradient Descent10 Minuten
ML Model Evaluation Fundamentals: Fundamental Concepts in ML Model Evaluation14 Minuten
ML Model Evaluation Fundamentals: Fundamental Concepts in ML Model Evaluation5 Minuten
Summary of the ML Process5 Minuten

4 LektürenInsgesamt 31 Minuten

Materials for ML model training10 Minuten
Materials on ML Model Evaluation Fundamentals10 Minuten
Materials for ML Process10 Minuten
CSV file for Module 8 Assignment1 Minute

1 AufgabeInsgesamt 30 Minuten

Module 8 Quiz30 Minuten

2 App-ElementeInsgesamt 60 Minuten

Module 8 Assignment 130 Minuten
Module 8 Assignment 230 Minuten

1 DiskussionsthemaInsgesamt 10 Minuten

Module 8 Discussion on ML Model Quality10 Minuten

This module introduces fundamental data preparation concepts and techniques to improve data quality in order to promote machine learning models providing good outcomes in real-world science and engineering practice. After learning this module, students will be able to:

Das ist alles enthalten

8 Videos6 Lektüren1 Aufgabe3 App-Elemente1 Diskussionsthema

8 VideosInsgesamt 38 Minuten

Module 9: Introduction to Week 9's Study2 Minuten
Basic Data Cleaning Review 1 Minute
Distributions, Outliers and Their Removal: Gaussian Distribution, Skewness and Outliers7 Minuten
Distributions, Outliers and Their Removal: The Z-Score and IQR Method for Outliers Removal6 Minuten
Data Transform: Normalization, Standardization, Power Transform8 Minuten
Construct Training and Test Sets for Model Evaluation: Methods, Implementation, and Stratified Sampling6 Minuten
Construct Training and Test Sets for Model Evaluation: Cross-Validation6 Minuten
Data Preparation Overview4 Minuten

6 LektürenInsgesamt 51 Minuten

Materials on Basic Data Cleaning 10 Minuten
Materials on Distributions, Outliers and Their Removal10 Minuten
Materials on Data Transform10 Minuten
Materials on Training/Test Sets Generation10 Minuten
Materials on Data Preparation10 Minuten
XLS file for Module 9 Assignment1 Minute

1 AufgabeInsgesamt 30 Minuten

Module 9 Quiz30 Minuten

3 App-ElementeInsgesamt 90 Minuten

Module 9 Assignment 130 Minuten
Module 9 Assignment 230 Minuten
Module 9 Assignment 330 Minuten

1 DiskussionsthemaInsgesamt 10 Minuten

Module 9 Discussion on Data Preparation10 Minuten

This module introduces support vector machines (SVMs), which is one of the most effective and popular methods for classification. After learning this module, students will be able to:

Das ist alles enthalten

12 Videos4 Lektüren1 Aufgabe2 App-Elemente

12 VideosInsgesamt 80 Minuten

Module 10: Introduction to Week 10's Study2 Minuten
Support Vector Machine Fundamentals: Concepts12 Minuten
Support Vector Machine Fundamentals: Types of SVM4 Minuten
Support Vector Machines: Linear SVM of Hard Margin Classifier7 Minuten
Support Vector Machines: Linear SVM of Soft Margin Classifier11 Minuten
Support Vector Machines: Non-Linear SVM13 Minuten
Support Vector Machines: Multi-Class SVM8 Minuten
Support Vector Machine Implementation: MATLAB Implementation of SVM5 Minuten
Support Vector Machine Implementation: Iris Flower Example6 Minuten
Support Vector Machine Implementation: 2D Point Classification Example1 Minute
Case Study 1: Banknote Classification (Linear SVM)4 Minuten
Case Study 2: Raisin Classification (Non-Linear SVM)8 Minuten

4 LektürenInsgesamt 31 Minuten

Materials on Support Vector Machine Fundamentals10 Minuten
Materials on Support Vector Machines10 Minuten
Materials on Support Vector Machine Implementation and Case Studies10 Minuten
CSV file for Module 10 Assignment1 Minute

1 AufgabeInsgesamt 30 Minuten

Module 10 Quiz30 Minuten

2 App-ElementeInsgesamt 60 Minuten

Module 10 Assignment 130 Minuten
Module 10 Assignment 230 Minuten

This module introduces artificial neural networks (ANNs), which is one of the most effective and popular methods for regression and classification. After learning this module, students will be able to:

Das ist alles enthalten

14 Videos5 Lektüren1 Aufgabe1 App-Element

14 VideosInsgesamt 84 Minuten

Module 11: Introduction to Week 11's Study1 Minute
Artificial Neural Network Introduction: Introduction3 Minuten
Artificial Neural Network Introduction: ANN Structure5 Minuten
Neural Network Training: Forward Propagation6 Minuten
Neural Network Training: Backward Propagation13 Minuten
Neural Network Training: More on Neural Network Training8 Minuten
Underfitting and Overfitting: Concepts8 Minuten
Underfitting and Overfitting: Methods to Improve Overfitting9 Minuten
ANN Implementation in MATLAB and Case Studies: Build an ANN Using MATLAB6 Minuten
ANN Implementation in MATLAB and Case Studies: A Case Study on Diabetes Diagnosis1 Minute
Tutorial: MATLAB Classification and Regression Learner Apps7 Minuten
Tutorial: Classification Learner11 Minuten
Tutorial: Export Model3 Minuten
Tutorial: Regression Learner4 Minuten

5 LektürenInsgesamt 41 Minuten

Materials on ANN fundamentals10 Minuten
Materials on Neural Network Training10 Minuten
Materials on Underfitting and Overfitting10 Minuten
Materials on ANN Implementation10 Minuten
MAT files for Module 11 Assignment1 Minute

1 AufgabeInsgesamt 30 Minuten

Module 11 Quiz30 Minuten

1 App-ElementInsgesamt 30 Minuten

Module 11 Assignment30 Minuten

Erwerben Sie ein Karrierezertifikat.

Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.

Dozent

Bo Liu

University of Glasgow

3 Kurse3.656 Lernende

von

University of Glasgow

Mehr von Machine Learning entdecken

Status: Vorschau
Northeastern University
Machine Learning for Engineers: Algorithms and Applications
Kurs
Status: Vorschau
The University of Chicago
Machine Learning: Concepts and Applications
Kurs
Status: Kostenloser Testzeitraum
Johns Hopkins University
Applied Machine Learning: Techniques and Applications
Kurs
Status: Vorschau
Northeastern University
Machine Learning and Data Analytics Part 2
Kurs

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Bewertungen von Lernenden

5 stars
100 %
4 stars
0 %
3 stars
0 %
2 stars
0 %
1 star
0 %

Zeigt 3 von 47 an

Geprüft am 22. Nov. 2025

The support from teaching staff is timely and helpful.

Geprüft am 21. Nov. 2025

The pacing is perfect: conceptual overview first, then data prep, then deep dives—no cognitive overload at any point.

Geprüft am 22. Nov. 2025

Finished feeling confident to put “ML skills” on my CV.

Weitere Bewertungen anzeigen

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten

Mehr erfahren

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Erkunden Sie die Abschlüsse

Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.

Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.

Mehr erfahren

Häufig gestellte Fragen

To access the course materials, assignments and to earn a Certificate, you will need to purchase the Certificate experience when you enroll in a course. You can try a Free Trial instead, or apply for Financial Aid. The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.

When you enroll in the course, you get access to all of the courses in the Specialization, and you earn a certificate when you complete the work. Your electronic Certificate will be added to your Accomplishments page - from there, you can print your Certificate or add it to your LinkedIn profile.

Yes. In select learning programs, you can apply for financial aid or a scholarship if you can’t afford the enrollment fee. If fin aid or scholarship is available for your learning program selection, you’ll find a link to apply on the description page.