Nouvellement mis à jour pour 2024 ! Mathematics for Apprentissage automatique and Data Science est un programme en ligne fondamental créé par DeepLearning.IA et enseigné par Luis Serrano. Dans l'apprentissage automatique, vous appliquez des concepts mathématiques à travers la programmation. Et donc, dans cette spécialisation, vous appliquerez les concepts mathématiques que vous apprenez en utilisant la programmation Python dans des exercices pratiques en laboratoire. En tant qu'apprenant dans ce programme, vous aurez besoin de compétences de base à intermédiaires en programmation Python pour réussir.
De nombreux ingénieurs en apprentissage automatique et scientifiques des données ont besoin d'aide en mathématiques, et même les praticiens expérimentés peuvent se sentir freinés par un manque de compétences en mathématiques. Cette spécialisation utilise une pédagogie innovante en mathématiques pour vous aider à apprendre rapidement et intuitivement, avec des cours qui utilisent des visualisations faciles à suivre pour vous aider à voir comment les mathématiques derrière l'apprentissage automatique fonctionnent réellement.
Nous vous recommandons d'avoir un niveau de mathématiques de lycée (fonctions, algèbre de base) et une familiarité avec la programmation (structures de données, boucles, fonctions, instructions conditionnelles, débogage). Les devoirs et les laboratoires sont rédigés en Python, mais le cours présente toutes les bibliothèques d'apprentissage automatique que vous utiliserez.
Projet d'apprentissage appliqué
À la fin de cette Specializations, vous serez prêt à :
Représenter des données sous forme de vecteurs et de matrices et identifier leurs propriétés telles que la singularité, le rang et l'indépendance linéaire
Appliquer les opérations courantes d'algèbre vectorielle et matricielle telles que le produit point, l'inverse et les déterminants
Exprimer les opérations matricielles sous forme de transformations linéaires
Appliquer les concepts de valeurs propres et de vecteurs propres aux problèmes d'Apprentissage automatique, y compris l'Analyse en composantes principales (ACP)
Optimiser différents types de fonctions couramment utilisées dans l'apprentissage automatique
Effectuer une descente de gradient dans les réseaux neurones avec différentes fonctions d'activation et de coût
Identifier les caractéristiques des distributions de probabilités couramment utilisées
Effectuer une Analyse exploratoire des données pour trouver, valider et quantifier des modèles dans un ensemble de données
Quantifier l'incertitude des prédictions faites par les modèles d'apprentissage automatique à l'aide d'intervalles de confiance, de marges d'erreur, de valeurs P et de tests d'hypothèse.
Appliquer des méthodes statistiques courantes telles que l'Estimation du maximum de vraisemblance (EMV) et la MAP
