课程主页: https://www.coursera.org/learn/supervised-machine-learning-classification
课程概述
在数据驱动时代，机器学习成为了各个领域的核心技能之一。本次推荐的Coursera课程《监督学习：分类》，就很好的响应了这一趋势：它主要介绍了一种监督学习中的建模家族类型——分类。通过这门课，你将学习如何训练预测模型以分类类别结果，以及如何使用误差指标对不同模型进行比较。
课程亮点
课程处于增强学习分类能力的实践教学，涉及了多个常见的分类模型。具体模块如下：
- 逻辑回归
作为一个受欢迎的基线模型，逻辑回归能够帮助我们理解分类任务，也是机器学习初学者常用的首选方法之一。
- K近邻法
K近邻法以其简单易理解受到青睐，是一个很好的入手例子，特别适合初学者练习。
- 支持向量机
了解了支持向量机后，你将能明白如何通过超平面将不同类别的数据分隔开，这种方法对领域、逃逸点检测及分类都很有效。
- 决策树
决策树方法视觉化且高可解释性，是很多分类任务的基线模型，学习这一模块会让你对分类有更全面的理解。
- 集成模型
掌握集成模型用于提升模型效果，使其对异常值更加稳健，了解随机梯度提升等流行方法。
- 不平衡类建模
忠实%的真实世界表现，对于不平衡数据集，有成熟的处理方法能帮助你调平数据分布，这是本模块的重要内容。
结论
无论你是进入数据分析领域的初学者，还是有经验的专业人士，此课程对于提升你分类问题的建模和迭代练习都是极为重要的。通过比较模型并掌握关键的评价指标，你能够在未来开发出能符合市场需求的验模，进而推动业务的成功。
因此，我强烈推荐那位那些希望深入理解和专业运用机器学习方法，特别是监督学习分类模型的人们，参加这门课程！
课程主页: https://www.coursera.org/learn/supervised-machine-learning-classification