Machine Learning and its Applications

Sichern Sie sich eines unserer besten Angebote mit Coursera Plus für 199 $ (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

Fragen Sie Coursera

5 Module

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

49 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.

49 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

Explain core machine learning concepts for classification and regression.
Prepare engineering data for machine learning workflows.
Apply SVMs, neural networks, and MATLAB apps to practical prediction tasks.

Kompetenzen, die Sie erwerben

Kategorie: Machine Learning Software
Kategorie: Data Quality
Kategorie: Model Training
Kategorie: Statistical Machine Learning
Kategorie: Data Processing
Kategorie: Data Preprocessing
Kategorie: Statistical Methods
Kategorie: Model Evaluation
Kategorie: Machine Learning Algorithms
Kategorie: Machine Learning Methods
Kategorie: Data Validation

Werkzeuge, die Sie lernen werden

Kategorie: Mathematical Software
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

This course provides a practical introduction to machine learning techniques for data analysis in MATLAB, focusing on widely used methods for real-world technical applications.

You will begin by exploring the core concepts behind machine learning, including model workflows, data preparation, and the factors that affect model performance. The course then focuses on two popular techniques—support vector machines and artificial neural networks—as well as MATLAB apps that make model building and evaluation more accessible. Using practical examples, you will prepare data, build machine learning workflows, and apply classification and regression methods to science and engineering problems. By the end of the course, you will be able to use MATLAB to develop, test, and evaluate predictive models for real-world applications. In partnership with MathWorks, enrolled learners receive access to MATLAB for the duration of the course.

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 Videos12 Lektüren1 Aufgabe2 App-Elemente

10 VideosInsgesamt 65 Minuten

Welcome to the specialization - Applied AI for Engineers and Scientists: Foundations6 Minuten
Introduction to Module 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

12 LektürenInsgesamt 81 Minuten

Specialization and Course Structure10 Minuten
Specialization Sample Certificate10 Minuten
How to Access MATLAB Online5 Minuten
Machine Learning in Engineering Practice: Tool, Replacement, or Decision Aid?5 Minuten
Materials for Machine Learning Fundamentals10 Minuten
From Explicit Rules to Learned Models: What Actually Changes?5 Minuten
Materials for Mapping Inputs to Outputs10 Minuten
How Data Representation and Model Choice Shape What a Model Can Learn5 Minuten
Materials about MATLAB Implementation10 Minuten
From Concept to Code: What the Model Is Actually Doing5 Minuten
CSV File for Module 7 Assignment 1 Minute
Module 7 Recap5 Minuten

1 AufgabeInsgesamt 30 Minuten

Module 7 Quiz30 Minuten

2 App-ElementeInsgesamt 60 Minuten

Module 7 Assignment 130 Minuten
Module 7 Assignment 230 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 Videos9 Lektüren1 Aufgabe2 App-Elemente

7 VideosInsgesamt 50 Minuten

Introduction to Module 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

9 LektürenInsgesamt 56 Minuten

What Does “Good” Mean in Machine Learning Models?5 Minuten
Materials for ML model training10 Minuten
What Does It Actually Mean to “Train” a Machine Learning Model?5 Minuten
Materials on ML Model Evaluation Fundamentals10 Minuten
When a Model Fails: Is It Bias, Variance, or Something Else?5 Minuten
Materials for ML Process10 Minuten
From Data to Decisions: Reconstructing the Machine Learning Pipeline5 Minuten
CSV file for Module 8 Assignment1 Minute
Module 8 Recap5 Minuten

1 AufgabeInsgesamt 30 Minuten

Module 8 Quiz30 Minuten

2 App-ElementeInsgesamt 60 Minuten

Module 8 Assignment 130 Minuten
Module 8 Assignment 230 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 Videos13 Lektüren1 Aufgabe3 App-Elemente

8 VideosInsgesamt 38 Minuten

Introduction to Module 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

13 LektürenInsgesamt 86 Minuten

Why Data Preparation Is Not Optional in Machine Learning5 Minuten
Materials on Basic Data Cleaning 10 Minuten
Cleaning Data Is a Decision, Not a Checklist5 Minuten
Materials on Distributions, Outliers and Their Removal10 Minuten
Outliers, Assumptions, and When “Cleaning” Becomes Damage5 Minuten
Materials on Data Transform10 Minuten
When Scaling Helps — and When It Quietly Breaks Your Model5 Minuten
Materials on Training/Test Sets Generation10 Minuten
Evaluation Starts with the Split: When Performance Numbers Lie5 Minuten
Materials on Data Preparation10 Minuten
From Raw Data to Reliable Learning: What Actually Matters?5 Minuten
XLS file for Module 9 Assignment1 Minute
Module 9 Recap5 Minuten

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

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 Videos6 Lektüren1 Aufgabe2 App-Elemente

12 VideosInsgesamt 80 Minuten

Introduction to Module 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

6 LektürenInsgesamt 41 Minuten

Why Support Vector Machines?5 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
Module 10 Recap5 Minuten

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 Videos6 Lektüren1 Aufgabe1 App-Element

14 VideosInsgesamt 84 Minuten

Introduction to Module 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

6 LektürenInsgesamt 46 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
Module 11 Recap5 Minuten

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 Kurse3.913 Lernende

von

University of Glasgow

Mehr von Machine Learning entdecken

Status: Kostenloser Testzeitraum
Johns Hopkins University
Applied Machine Learning: Techniques and Applications
Kurs
Status: Vorschau
The University of Chicago
Machine Learning: Concepts and Applications
Kurs
Status: Vorschau
Northeastern University
Machine Learning for Engineers: Algorithms and Applications
Kurs
Status: Kostenloser Testzeitraum
MathWorks
Predictive Modeling and Machine Learning with MATLAB
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 49 an

Geprüft am 22. Nov. 2025

The support from teaching staff is timely and helpful.

Geprüft am 22. Nov. 2025

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

Geprüft am 21. Nov. 2025

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

Weitere Bewertungen anzeigen

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.