Problem-Dependent Resampling Techniques

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

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

Problem-Dependent Resampling Techniques

Instructeurs : Jonne Pohjankukka

Inclus avec

3 modules

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

niveau Intermédiaire

Expérience recommandée

6 heures à compléter

Planning flexible

Apprenez à votre propre rythme

3 modules

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

niveau Intermédiaire

Expérience recommandée

6 heures à compléter

Planning flexible

Apprenez à votre propre rythme

Ce que vous apprendrez

Apply spatial cross-validation to account for spatial autocorrelation
Adapt performance evaluation methods for structured data relationships
Use statistical tests such as Wilcoxon and permutation tests to assess significance
Critically evaluate reported machine learning performance results

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Récemment mis à jour !

avril 2026

Évaluations

4 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

Il y a 3 modules dans ce cours

This course is designed for data scientists, machine learning practitioners, and researchers who want to understand how resampling techniques must be adapted to the structure of the problem at hand.

You will learn how standard validation methods such as cross-validation can fail when applied blindly, and how to design problem-dependent resampling strategies for spatial data, pair-input data, and other dependent observation structures. The course also covers spatial cross-validation, dependency-aware evaluation design, and statistical testing methods to assess whether performance estimates are reliable. By the end of the course, you will be able to choose and construct appropriate resampling strategies that reflect the true structure of your data and provide trustworthy performance estimates.

In the first module, we describe how cross-validation based model performance estimation can produce optimistic results with spatial data sets. We discuss how the inherent property called spatial autocorrelation in geographical data sets causes an optimistic bias in the cross-validation procedure, and how should this problem be tackled. To take into account the effects of spatial autocorrelation, we discuss the modified version of cross-validation, the spatial cross-validation designed for evaluating model prediction performance with spatial data sets. Furthermore, we present the motivation behind spatial cross-validation from industry perspective, and how the method can be utilized in data sampling.

Inclus

6 vidéos1 lecture2 devoirs1 sujet de discussion

6 vidéosTotal 37 minutes

Introduction to spatial data and spatial autocorrelation6 minutes
Spatial data and cross-validation7 minutes
Spatial cross-validation4 minutes
Spatial cross-validation (pseudocode)7 minutes
Spatial cross-validation in forestry application8 minutes
Sampling grid optimization via spatial cross-validation4 minutes

1 lectureTotal 50 minutes

Additional study material for Module 1: Spatial k-fold cross validation50 minutes

2 devoirsTotal 70 minutes

Temp30 minutes
Evaluating spatial models with spatial cross-validation40 minutes

1 sujet de discussionTotal 10 minutes

Module 1 Discussion10 minutes

Pair-input data are encountered in many applications and have unique properties that need to be taken into account. In this module, we first discuss what pair-input data are and what key characteristics they have, introducing drug-target interactions as an example. We then examine how dependencies emerge between pair-input observations and discuss how those dependencies can be used to characterize pair-input observations. Building on this categorization, we finally explore how to modify performance evaluation methods to obtain reliable estimates of out-of-sample prediction performance for pair-input data. The modifications to the selection of training observations are mathematically formulated.

Inclus

5 vidéos1 devoir1 sujet de discussion

In this module, we will learn how to determine suitable statistical tests for given machine learning tasks. As an example, we will go through the well-known Wilcoxon test for classifier evaluation. We will also learn about some of the common pitfalls we can fall into if we are not careful in model performance estimation. We see how it is possible to get a very good model performance estimations even though there is no existing pattern in the data. In addition, we will learn how careless feature selection can cause optimistically biased performance estimation in cross-validation. Lastly, we go through the permutation test which allows us to measure the statistical significance of our model performance estimate.

Inclus

5 vidéos1 devoir1 sujet de discussion

Instructeurs

Jonne Pohjankukka

28DIGITAL

3 Cours8 apprenants

Offert par

28DIGITAL

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.’

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.

Plus de questions

Visitez le Centre d'Aide pour les Étudiants

Aide financière disponible,