Pour de nombreux cours de niveau supérieur en apprentissage automatique et en science des données, vous avez besoin de rafraîchir les bases des mathématiques - des notions que vous avez peut-être déjà étudiées à l'école ou à l'université, mais qui ont été enseignées dans un autre contexte, ou pas de manière très intuitive, de sorte que vous avez du mal à les relier à la manière dont elles sont utilisées dans l'informatique. Cette spécialisation vise à combler ce fossé, en vous mettant à niveau dans les mathématiques sous-jacentes, en construisant une compréhension intuitive, et en les reliant à l'apprentissage automatique et à la science des données.
Dans le premier cours d'algèbre linéaire, nous verrons ce qu'est l'algèbre linéaire et comment elle est liée aux données. Nous verrons ensuite ce que sont les vecteurs et les matrices et comment les utiliser.
Le deuxième cours, Calcul à plusieurs variables, s'appuie sur ces notions pour étudier comment optimiser les fonctions d'ajustement afin d'obtenir de bons ajustements aux données. Il commence par une introduction au calcul et utilise ensuite les matrices et les vecteurs du premier cours pour étudier l'ajustement des données.
Le troisième cours, Réduction de la dimensionnalité avec l'analyse en composantes principales, utilise les mathématiques des deux premiers cours pour comprimer les données à haute dimension. Ce cours est d'un niveau de difficulté intermédiaire et nécessite des connaissances en Python et en numpy.
À la fin de cette Specializations, vous aurez acquis les connaissances mathématiques prérequises pour poursuivre votre parcours et suivre des cours plus avancés en apprentissage automatique.
Projet d'apprentissage appliqué
Dans le cadre de cette spécialisation, vous utiliserez les compétences acquises pour produire des mini-projets avec Python sur des carnets interactifs, un outil facile à apprendre qui vous aidera à appliquer les connaissances à des problèmes du monde réel. Par exemple, vous utiliserez l'algèbre linéaire pour calculer le classement d'un petit site internet simulé, vous appliquerez le calcul multivarié pour entraîner votre propre réseau neuronal, vous effectuerez une régression non linéaire des moindres carrés pour ajuster un modèle à un ensemble de données et vous utiliserez l'analyse en composantes principales pour déterminer les caractéristiques de l'ensemble de données de chiffres MNIST.
