内容 隐藏
1 机器学习的数学基础
2 Mathematical Foundations of Machine Learning
2.1 学习内容
2.2 要求
2.3 描述
2.4 本课程适合谁：

机器学习的数学基础

Mathematical Foundations of Machine Learning

NumPy、TensorFlow 和 PyTorch 中的基本线性代数和微积分实践

 学习内容

  • 了解线性代数和微积分的基础知识，这是所有机器学习和数据科学的基础关键数学科目
  • 使用所有三个最重要的 Python 张量库操作张量：NumPy、TensorFlow 和 PyTorch
  • 如何将所有基本的向量和矩阵运算应用于机器学习和数据科学
  • 使用特征向量、SVD 和 PCA 将复杂数据的维数降低到信息量最大的元素
  • 使用简单技术（例如消除）和高级技术（例如伪反转）求解未知数
  • 通过 Python 中的交互式代码演示，从第一原理开始了解微积分的工作原理
  • 深入了解链式规则等高级差异化规则
  • 手动计算机器学习成本函数的偏导数，也可以使用 TensorFlow 和 PyTorch 计算
  • 准确掌握什么是梯度，并了解为什么它们对于通过梯度下降实现 ML 至关重要
  • 使用积分微积分确定任何给定曲线下的面积
  • 能够更贴切地掌握前沿机器学习论文的细节
  • 了解机器学习算法（包括用于深度学习的算法）的幕后情况

 要求

  • 所有代码演示都将使用 Python，因此使用它或其他面向对象的编程语言的经验将有助于遵循动手示例。
  • 熟悉中学水平的数学将使这门课更容易跟上。如果您能够轻松处理定量信息（例如理解图表和重新排列简单的方程式），那么您应该做好充分的准备来学习所有数学知识。

 描述

数学构成了数据科学和机器学习的核心。因此，要成为最好的数据科学家，您必须对最相关的数学有深入的了解。

借助 Scikit-learn 和 Keras 等高级库，数据科学入门很容易。但是，了解这些库中算法背后的数学原理会为您打开无限的可能性。从识别建模问题到发明新的、更强大的解决方案，了解这一切背后的数学原理可以大大增加您在职业生涯中可以产生的影响。

本课程由深度学习大师 Jon Krohn 博士领导，让您牢牢掌握机器学习算法和数据科学模型所依据的数学，即线性代数和微积分。

 课程部分

  1. 线性代数数据结构

  2.  张量操作

  3.  矩阵属性

  4. 特征向量和特征值

  5. 机器学习的矩阵运算

  6.  限制

  7. 导数和微分

  8. 自动微分

  9. Partial-Derivative Calculus

  10.  积分

在每个部分中，您都会找到大量的动手作业、Python 代码演示和实践练习，让您的数学游戏处于最佳状态！

这门机器学习的 数学基础课程已经完成，但将来，我们打算从数学以外的相关学科中增加额外的内容，即：概率、统计、数据结构、算法和优化。现在，注册包括免费、无限制地访问所有这些未来课程内容 – 总共超过 25 小时。

您准备好成为一名出色的数据科学家了吗？教室见。

本课程适合谁：

  • 您使用高级软件库（例如 scikit-learn、Keras、TensorFlow）来训练或部署机器学习算法，现在希望了解抽象的基础，从而扩展您的能力
  • 您是一名软件开发人员，希望为将机器学习算法部署到生产系统中奠定坚实的基础
  • 您是一名数据科学家，希望加强对专业学科核心主题的理解
  • 您是一名数据分析师或 AI 爱好者，想成为一名数据科学家或数据/ML 工程师，因此您热衷于从头开始深入了解您进入的领域（您非常聪明！
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。