机器学习的数学基础

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

讲师：Dr Jon Krohn

口袋资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

你将会学到的

• 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关键数学科目
• 使用所有三个最重要的 Python 张量库来操作张量：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 将复杂数据的维度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，伪反演）求解未知数
• 通过 Python 中的交互式代码演示，从第一原理开始，欣赏微积分的工作原理
• 深入了解链式法则等高级微分法则
• 手动以及使用 TensorFlow 和 PyTorch 计算机器学习成本函数的偏导数
• 准确掌握梯度是什么，并理解为什么它们对于通过梯度下降启用 ML 至关重要
• 使用积分来确定任何给定曲线下的面积
• 能够更贴心地掌握前沿机器学习论文的细节
• 了解机器学习算法背后发生的事情，包括那些用于深度学习的算法

课程内容

10个章节 • 113 个讲座 • 总时长 16 小时 25 分钟

线性代数的数据结构12 个讲座 • 1 小时 44 分钟

张量运算9 个讲座 • 55 分钟

矩阵属性9 个讲座 • 1 小时 24 分钟

特征向量和特征值10 个讲座 • 2 小时 12 分钟

机器学习的矩阵运算8 个讲座 • 1 小时 15 分钟

限制8 个讲座 • 1 小时 8 分钟

衍生物和微分14 个讲座 • 1 小时 26 分钟

自动微分6 个讲座 • 1 小时 17 分钟

偏导数16 个讲座 • 3 小时 10 分钟

积分学13 个讲座 • 1 小时 4 分钟

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跟随动手示例。
• 熟悉中学水平的数学将使课堂更容易跟上。如果你对处理定量信息（例如理解图表和重新排列简单方程）感到自在，那么你应该做好充分的准备来学习所有数学知识。

说明

数学是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，你必须对最相关的数学有实际的理解。

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运算为你提供了无限的可能性。从识别建模问题到发明新的更强大的解决方案，了解其背后的数学可以显着增加你在职业生涯中的影响力。

本课程由深度学习大师 Jon Krohn 博士领导，提供对机器学习算法和数据科学模型基础的数学（即线性代数和微积分）的牢固掌握。

课程部分

1. 线性代数数据结构
2. 张量运算
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. 衍生物和微分
8. 自动微分
9. 偏导数
10. 积分学

在每个部分中，你都会发现大量动手作业、Python 代码演示和实践练习，让你的数学游戏达到最佳状态！

这门机器学习的数学基础课程已经完成，但在未来，我们打算增加数学以外的相关学科的奖励内容，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的课程内容——总共超过 25 小时。

你准备好成为一名杰出的数据科学家了吗？教室见。

此课程面向哪些人：

• 你使用高级软件库（例如，scikit-learn、Keras、TensorFlow）来训练或部署机器学习算法，现在想了解抽象的基础知识，从而扩展你的能力
• 你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打下坚实的基础
• 你是一名数据科学家，希望加强你对专业学科核心学科的理解
• 你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，因此你渴望从头开始深入了解你正在进入的领域（你非常聪明！）