机器学习专业化的数学
机器学习数学。了解数据科学和机器学习应用的先决条件数学
David Dye
口袋资源独家Coursera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。
你将学到什么
- 使用真实世界的数据实现数学概念
- 从投影角度推导PCA
- 了解正交投影的工作原理
- 掌握PCA
你将获得的技能
- 特征值和特征向量
- 主成分分析 (PCA)
- 多元微积分
- 线性代数
- 基础(线性代数)
- 变换矩阵
- 线性回归
- 矢量微积分
- 梯度下降
- 降维
- Python编程
关于这个专业
对于机器学习和数据科学的许多高级课程,你会发现你需要重新学习数学基础知识——你可能以前在学校或大学学习过的东西,但这些是在另一个环境中教授的,或者不是很直观,以至于您很难将它与它在计算机科学中的使用方式联系起来。该专业旨在弥合这一差距,让您加快基础数学的速度,建立直观的理解,并将其与机器学习和数据科学联系起来。
在线性代数的第一门课程中,我们将了解什么是线性代数以及它与数据的关系。然后我们看看向量和矩阵是什么以及如何使用它们。
第二门课程,多元微积分,以此为基础研究如何优化拟合函数以获得对数据的良好拟合。它从入门微积分开始,然后使用第一门课程中的矩阵和向量来研究数据拟合。
第三门课程,使用主成分分析进行降维,使用前两门课程中的数学来压缩高维数据。本课程难度中等,需要 Python 和 numpy 知识。
在本专业结束时,您将获得必要的数学知识,以继续您的旅程并学习更高级的机器学习课程。
应用学习项目
通过本专业的作业,您将使用所学技能在交互式笔记本上使用 Python 制作小型项目,这是一种易于学习的工具,可帮助您将知识应用于现实世界的问题。例如,使用线性代数来计算小型模拟互联网的页面排名,应用多元微积分来训练您自己的神经网络,执行非线性最小二乘回归以将模型拟合到数据集,以及使用主成分分析以确定 MNIST 数字数据集的特征。
声明:口袋资源网(koudaizy.com)提供的所有课程、素材等资源全部来源于互联网,赞助VIP仅用于对口袋资源服务器带宽及网站运营等费用支出做支持,从本站下载资源,说明你已同意本条款。