Об этом курсе

Недавно просмотрено: 210,852

Карьерные результаты учащихся

50%

начал новую карьеру, пройдя эти курсы

48%

получил значимые преимущества в карьере благодаря этому курсу
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
Прибл. 20 часов на выполнение
Английский
Субтитры: Английский

Приобретаемые навыки

Dimensionality ReductionPython ProgrammingLinear Algebra

Карьерные результаты учащихся

50%

начал новую карьеру, пройдя эти курсы

48%

получил значимые преимущества в карьере благодаря этому курсу
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Промежуточный уровень
Прибл. 20 часов на выполнение
Английский
Субтитры: Английский

Преподаватели

от партнера

Placeholder

Имперский колледж Лондона

Программа курса: что вы изучите

Оценка контентаThumbs Up80%(4,932 оценки)Info
Неделя
1

Неделя 1

6 ч. на завершение

Statistics of Datasets

6 ч. на завершение
8 видео ((всего 27 мин.)), 7 материалов для самостоятельного изучения, 4 тестов
8 видео
Welcome to module 141
Mean of a dataset4мин
Variance of one-dimensional datasets4мин
Variance of higher-dimensional datasets5мин
Effect on the mean4мин
Effect on the (co)variance3мин
See you next module!27
7 материалов для самостоятельного изучения
About Imperial College & the team5мин
How to be successful in this course5мин
Grading policy5мин
Additional readings & helpful references10мин
Mini numpy tutorial
Set up Jupyter notebook environment offline10мин
Symmetric, positive definite matrices10мин
3 практических упражнения
Mean of datasets15мин
Variance of 1D datasets15мин
Covariance matrix of a two-dimensional dataset15мин
Неделя
2

Неделя 2

4 ч. на завершение

Inner Products

4 ч. на завершение
8 видео ((всего 36 мин.)), 1 материал для самостоятельного изучения, 5 тестов
8 видео
Dot product4мин
Inner product: definition5мин
Inner product: length of vectors7мин
Inner product: distances between vectors3мин
Inner product: angles and orthogonality5мин
Inner products of functions and random variables (optional)7мин
Heading for the next module!35
1 материал для самостоятельного изучения
Basis vectors20мин
4 практических упражнения
Dot product30мин
Properties of inner products20мин
General inner products: lengths and distances20мин
Angles between vectors using a non-standard inner product20мин
Неделя
3

Неделя 3

4 ч. на завершение

Orthogonal Projections

4 ч. на завершение
6 видео ((всего 25 мин.)), 1 материал для самостоятельного изучения, 3 тестов
6 видео
Projection onto 1D subspaces7мин
Example: projection onto 1D subspaces3мин
Projections onto higher-dimensional subspaces8мин
Example: projection onto a 2D subspace3мин
This was module 3!32
1 материал для самостоятельного изучения
Full derivation of the projection20мин
2 практических упражнения
Projection onto a 1-dimensional subspace25мин
Project 3D data onto a 2D subspace40мин
Неделя
4

Неделя 4

5 ч. на завершение

Principal Component Analysis

5 ч. на завершение
10 видео ((всего 52 мин.)), 5 материалов для самостоятельного изучения, 2 тестов
10 видео
Problem setting and PCA objective7мин
Finding the coordinates of the projected data5мин
Reformulation of the objective10мин
Finding the basis vectors that span the principal subspace7мин
Steps of PCA4мин
PCA in high dimensions5мин
Other interpretations of PCA (optional)7мин
Summary of this module42
This was the course on PCA56
5 материалов для самостоятельного изучения
Vector spaces20мин
Orthogonal complements10мин
Multivariate chain rule10мин
Lagrange multipliers10мин
Did you like the course? Let us know!10мин
1 практическое упражнение
Chain rule practice20мин

Рецензии

Лучшие отзывы о курсе MATHEMATICS FOR MACHINE LEARNING: PCA

Посмотреть все отзывы

Специализация Математика в машинном обучении: общие сведения

For a lot of higher level courses in Machine Learning and Data Science, you find you need to freshen up on the basics in mathematics - stuff you may have studied before in school or university, but which was taught in another context, or not very intuitively, such that you struggle to relate it to how it’s used in Computer Science. This specialization aims to bridge that gap, getting you up to speed in the underlying mathematics, building an intuitive understanding, and relating it to Machine Learning and Data Science. In the first course on Linear Algebra we look at what linear algebra is and how it relates to data. Then we look through what vectors and matrices are and how to work with them. The second course, Multivariate Calculus, builds on this to look at how to optimize fitting functions to get good fits to data. It starts from introductory calculus and then uses the matrices and vectors from the first course to look at data fitting. The third course, Dimensionality Reduction with Principal Component Analysis, uses the mathematics from the first two courses to compress high-dimensional data. This course is of intermediate difficulty and will require Python and numpy knowledge. At the end of this specialization you will have gained the prerequisite mathematical knowledge to continue your journey and take more advanced courses in machine learning....
Математика в машинном обучении

Часто задаваемые вопросы

Остались вопросы? Посетите Центр поддержки учащихся.