Neu aktualisiert für 2024! Mathematik für maschinelles Lernen und Datenwissenschaft ist ein grundlegendes Online-Programm, das von DeepLearning.AI entwickelt und von Luis Serrano unterrichtet wird. Beim maschinellen Lernen wenden Sie mathematische Konzepte durch Programmierung an. In dieser Spezialisierung werden Sie die mathematischen Konzepte, die Sie mit Hilfe der Python-Programmierung erlernen, in praktischen Laborübungen anwenden. Als Teilnehmer an diesem Programm benötigen Sie grundlegende bis mittlere Python-Programmierkenntnisse, um erfolgreich zu sein.
Viele Machine-Learning-Ingenieure und Datenwissenschaftler brauchen Hilfe bei der Mathematik, und selbst erfahrene Praktiker können sich durch mangelnde Mathematikkenntnisse behindert fühlen. Diese Spezialisierung nutzt innovative Pädagogik in der Mathematik, um Ihnen zu helfen, schnell und intuitiv zu lernen, mit Kursen, die leicht verständliche Visualisierungen verwenden, um Ihnen zu zeigen, wie die Mathematik hinter dem maschinellen Lernen tatsächlich funktioniert.
Wir empfehlen, dass Sie über Mathematikkenntnisse auf High-School-Niveau (Funktionen, grundlegende Algebra) verfügen und mit der Programmierung vertraut sind (Datenstrukturen, Schleifen, Funktionen, bedingte Anweisungen, Debugging). Die Aufgaben und Übungen sind in Python geschrieben, aber der Kurs stellt alle Bibliotheken für maschinelles Lernen vor, die Sie verwenden werden.
Übungsprojekt
Am Ende dieser Specialization werden Sie in der Lage sein:
Daten als Vektoren und Matrizen darzustellen und deren Eigenschaften wie Singularität, Rang und lineare Unabhängigkeit zu erkennen
Gemeinsame Vektor- und Matrix-Algebra-Operationen wie das Punktprodukt, die Umkehrung und Determinanten anzuwenden
Matrixoperationen als lineare Transformationen ausdrücken
Anwendung der Konzepte von Eigenwerten und Eigenvektoren auf Probleme des Maschinellen Lernens, einschließlich der Hauptkomponentenanalyse (PCA)
Optimieren Sie verschiedene Arten von Funktionen, die beim maschinellen Lernen verwendet werden
Führen Sie Gradientenverfahren in neuronalen Netzwerken mit verschiedenen Aktivierungs- und Kostenfunktionen durch
Identifizieren Sie die Merkmale von häufig verwendeten Wahrscheinlichkeitsverteilungen
Explorative Datenanalyse durchführen, um Muster in einem Datensatz zu finden, zu validieren und zu quantifizieren
Quantifizieren Sie die Unsicherheit von Vorhersagen, die von Modellen des Maschinellen Lernens gemacht werden, indem Sie Konfidenzintervalle, Fehlermargen, P-Werte und Hypothesentests verwenden.
Wenden Sie gängige statistische Methoden wie Maximum-Likelihood-Schätzung (MLE) und MAP an
