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
双语IT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。
您将学到什么
-
了解线性代数和微积分的基础知识,这是机器学习和数据科学的基础关键数学学科
-
使用所有三个最重要的 Python 张量库来操作张量:NumPy、TensorFlow 和 PyTorch
-
如何应用机器学习和数据科学的所有基本向量和矩阵运算
-
使用特征向量、SVD 和 PCA 将复杂数据的维数降低为最具信息量的元素
-
使用简单技术(例如消元法)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,从第一原理了解微积分的工作原理
-
深入理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,并理解为什么梯度对于通过梯度下降实现机器学习至关重要
-
使用积分计算任意给定曲线下的面积
-
能够更加深入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)的底层原理
要求
-
所有代码演示都将使用 Python 编写,因此拥有 Python 或其他面向对象编程语言的经验将有助于理解实际示例。
-
熟悉中学数学将使课堂更容易跟上。如果你能自如地处理定量信息(例如理解图表和重新排列简单方程式),那么你应该做好充分的准备来跟上所有的数学课。
描述
数学是数据科学和机器学习的核心。因此,要想成为最好的数据科学家,你必须对最相关的数学有实际的了解。
借助 Scikit-learn 和 Keras 等高级库,数据科学入门变得非常简单。但了解这些库中算法背后的数学原理将为您带来无限可能。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提高您在职业生涯中所能产生的影响。
该课程由深度学习大师 Jon Krohn 博士讲授,牢固掌握机器学习算法和数据科学模型的基础数学——即线性代数和微积分。
课程部分
-
线性代数数据结构
-
张量运算
-
矩阵属性
-
特征向量和特征值
-
机器学习的矩阵运算
-
限制
-
导数与微分
-
自动微分
-
偏导数微积分
-
积分学
在每个部分中,你都会发现大量的实践作业、Python 代码演示和实践练习,以使你的数学技能达到最佳状态!
这门“机器学习的数学基础”课程已经完成,但未来我们打算添加数学以外的相关学科的额外内容,即:概率、统计、数据结构、算法和优化。现在报名即可免费、无限制地访问所有这些未来课程内容 — 总共超过 25 小时。
你准备好成为一名出色的数据科学家了吗?课堂上见。
本课程适合哪些人:
- 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,现在想了解抽象背后的基本原理,从而扩展您的能力
- 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奠定坚实的基础
- 你是一名数据科学家,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人工智能爱好者,想要成为一名数据科学家或数据/机器学习工程师,因此您渴望从头开始深入了解您所进入的领域(您非常明智!)
如果你有能力,请务必支持课程的原创作者,这是他们应得的报酬!
本站收取的费用,仅用来维持网站正常运行的必要支出,从本站下载任何内容,说明你已经知晓并同意此条款。