Mathematical Matrix Methods lie at the root of most methods of machine learning and data analysis of tabular data. Learn the basics of Matrix Methods, including matrix-matrix multiplication, solving linear equations, orthogonality, and best least squares approximation. Discover the Singular Value Decomposition that plays a fundamental role in dimensionality reduction, Principal Component Analysis, and noise reduction. Optional examples using Python are used to illustrate the concepts and allow the learner to experiment with the algorithms.
от партнера
Миннесотский университет
Об этом курсе
Недавно просмотрено: 4,539
Учащиеся, которые проходят продукт ''Course'
- Machine Learning Engineers
- Researchers
- Data Scientists
- Data Analysts
- Teachers
Программа курса: что вы изучите
Неделя
11 ч. на завершение
Matrices as Mathematical Objects
3 видео ((всего 11 мин.)), 2 материалов для самостоятельного изучения, 3 тестов
2 материала для самостоятельного изучения
Vector and Matrix operations30мин
Matrix Multiplication10мин
3 практического упражнения
Matrix8мин
Linear combinations
Matrix Combinations
Неделя
21 ч. на завершение
Matrix Multiplication and other Operations
3 видео ((всего 14 мин.)), 2 материалов для самостоятельного изучения, 3 тестов
3 видео
Matrix Transpose5мин
Supplement: Matrix Transpose in Python4мин
2 материала для самостоятельного изучения
Matrix Arithmetic10мин
Matrix Transpose10мин
3 практического упражнения
Matrix Operations4мин
Matrix Transpose4мин
Matrix Multiplication and Other Operations
Неделя
31 ч. на завершение
Systems of Linear Equations
4 видео ((всего 15 мин.)), 3 материалов для самостоятельного изучения, 4 тестов
4 видео
Solution of Linear Equations via Elimination2мин
LU Decomposition: Matrix is a Product of Simple Matrices5мин
Supplement: Solve Linear Equations in Python2мин
3 материала для самостоятельного изучения
Systems of Linear Equations10мин
Gaussian Elimination Algorithm10мин
LU Decomposition10мин
4 практического упражнения
Systems of Linear Equations
Solution of Linear Equations via Elimination
LU Decomposition
Systems of linear equations
Неделя
41 ч. на завершение
Linear Least Squares
4 видео ((всего 16 мин.)), 2 материалов для самостоятельного изучения, 5 тестов
4 видео
Linear Least Squares: Best Approximation3мин
Least Distance -> Orthogonality -> Normal Equations4мин
Example: Approximate Curve Fitting4мин
2 материала для самостоятельного изучения
Orthogonality and the Inner Product10мин
Linear Least Squares10мин
5 практического упражнения
Orthogonality and Inner Product
Linear Least Squares
Normal equations4мин
Approximate Curve Fitting4мин
Linear Least Squares
Преподаватели
Daniel Boley
ProfessorComputer Science and Engineering
О Миннесотский университет
The University of Minnesota is among the largest public research universities in the country, offering undergraduate, graduate, and professional students a multitude of opportunities for study and research. Located at the heart of one of the nation’s most vibrant, diverse metropolitan communities, students on the campuses in Minneapolis and St. Paul benefit from extensive partnerships with world-renowned health centers, international corporations, government agencies, and arts, nonprofit, and public service organizations.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.
Что я получу, оплатив сертификацию?
Оплатив сертификацию, вы получите доступ ко всем материалам курса, включая оцениваемые задания. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Какие правила возврата средств?
Можно ли получить финансовую помощь?
Остались вопросы? Посетите Центр поддержки учащихся.