Machine Learning and its Applications

Développez vos compétences avec Coursera Plus pour 239 $/an (habituellement 399 $). Économisez maintenant.

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues. Consultez les langues disponibles.

Machine Learning and its Applications

Ce cours fait partie de Spécialisation "Applied AI for Engineers and Scientists: Foundations"

Instructeur : Bo Liu

Inclus avec

5 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

47 avis

niveau Débutant

Expérience recommandée

2 semaines à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

5 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

47 avis

niveau Débutant

Expérience recommandée

2 semaines à compléter

à 10 heures par semaine

Planning flexible

Apprenez à votre propre rythme

Ce que vous apprendrez

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.

Compétences que vous acquerrez

Catégorie : Model Training
Catégorie : Statistical Methods
Catégorie : Statistical Machine Learning
Catégorie : Data Preprocessing
Catégorie : Model Evaluation
Catégorie : Machine Learning Algorithms
Catégorie : Machine Learning Methods
Catégorie : Data Quality
Catégorie : Data Validation

Outils que vous découvrirez

Catégorie : Classification Algorithms
Catégorie : Mathematical Software

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

5 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "Applied AI for Engineers and Scientists: Foundations"

Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.

Apprenez de nouveaux concepts auprès d'experts du secteur
Acquérez une compréhension de base d'un sujet ou d'un outil
Développez des compétences professionnelles avec des projets pratiques
Obtenez un certificat professionnel partageable

Il y a 5 modules dans ce cours

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:

Inclus

10 vidéos7 lectures1 devoir2 éléments d'application1 sujet de discussion

10 vidéosTotal 65 minutes

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

7 lecturesTotal 56 minutes

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

1 devoirTotal 30 minutes

Module 7 Quiz30 minutes

2 éléments d'applicationTotal 60 minutes

Module 7 Assignment 130 minutes
Module 7 Assignment 230 minutes

1 sujet de discussionTotal 10 minutes

Module 7 Discussion on Machine Learning10 minutes

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:

Inclus

7 vidéos4 lectures1 devoir2 éléments d'application1 sujet de discussion

7 vidéosTotal 50 minutes

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

4 lecturesTotal 31 minutes

Materials for ML model training10 minutes
Materials on ML Model Evaluation Fundamentals10 minutes
Materials for ML Process10 minutes
CSV file for Module 8 Assignment1 minute

1 devoirTotal 30 minutes

Module 8 Quiz30 minutes

2 éléments d'applicationTotal 60 minutes

Module 8 Assignment 130 minutes
Module 8 Assignment 230 minutes

1 sujet de discussionTotal 10 minutes

Module 8 Discussion on ML Model Quality10 minutes

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:

Inclus

8 vidéos6 lectures1 devoir3 éléments d'application1 sujet de discussion

8 vidéosTotal 38 minutes

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

6 lecturesTotal 51 minutes

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

1 devoirTotal 30 minutes

Module 9 Quiz30 minutes

3 éléments d'applicationTotal 90 minutes

Module 9 Assignment 130 minutes
Module 9 Assignment 230 minutes
Module 9 Assignment 330 minutes

1 sujet de discussionTotal 10 minutes

Module 9 Discussion on Data Preparation10 minutes

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:

Inclus

12 vidéos4 lectures1 devoir2 éléments d'application

12 vidéosTotal 80 minutes

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

4 lecturesTotal 31 minutes

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

1 devoirTotal 30 minutes

Module 10 Quiz30 minutes

2 éléments d'applicationTotal 60 minutes

Module 10 Assignment 130 minutes
Module 10 Assignment 230 minutes

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:

Inclus

14 vidéos5 lectures1 devoir1 élément d'application

14 vidéosTotal 84 minutes

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

5 lecturesTotal 41 minutes

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

1 devoirTotal 30 minutes

Module 11 Quiz30 minutes

1 élément d'applicationTotal 30 minutes

Module 11 Assignment30 minutes

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeur

Bo Liu

University of Glasgow

3 Cours3 702 apprenants

Offert par

University of Glasgow

En savoir plus sur Machine Learning

Statut : Essai gratuit
Johns Hopkins University
Applied Machine Learning: Techniques and Applications
Cours
Statut : Prévisualisation
The University of Chicago
Machine Learning: Concepts and Applications
Cours
Statut : Prévisualisation
Northeastern University
Machine Learning for Engineers: Algorithms and Applications
Cours
Statut : Essai gratuit
MathWorks
Predictive Modeling and Machine Learning with MATLAB
Cours

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018

’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020

’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021

’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Avis des étudiants

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

Affichage de 3 sur 47

Révisé le 21 nov. 2025

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

Révisé le 22 nov. 2025

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

Révisé le 22 nov. 2025

The support from teaching staff is timely and helpful.

Voir plus d’avis

Ouvrez de nouvelles portes avec Coursera Plus

Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.

Faites progresser votre carrière avec un diplôme en ligne

Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne

Découvrir les diplômes

Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires

Améliorez les compétences de vos employés pour exceller dans l’économie numérique

Foire Aux Questions

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.