Online cursus – gecertificeerde professionele specialisatie in machine learning en data science van Google en DeepLearning.AI, DeepLearning.AI

Beheers de tools van kunstmatige intelligentie en machinaal leren. De Math Methodology for Machine Learning and Data Science is een beginnersvriendelijke specialisatie waarin je de basiswiskundige hulpmiddelen van machine learning leert: calculus, lineaire algebra, statistiek en waarschijnlijkheidstheorie.

Suggested by: Coursera (What is Coursera?)

Professional Certificate

Gemiddeld niveau

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Bayesiaanse statistieken
  • wiskunde
  • Lineaire regressie
  • factuur
  • machinaal leren
  • waarschijnlijkheid

What you will learn in the course

Courses for which the course is suitable

  • Machine learning-ingenieur
  • data wetenschapper
  • data-analist
  • Ontwikkelaar van algoritmen
  • Expert op het gebied van kunstmatige intelligentie
  • systeemanalist
  • Softwareontwikkelaar op het gebied van data
  • Onderzoeker op het gebied van machine learning

Stage – een driedelige cursusreeks

Bijgewerkt naar 2024!

Wiskunde voor Machine Learning en Data Science is een online basisprogramma gemaakt door DeepLearning.AI en gegeven door Luis Serrano. Bij machinaal leren pas je wiskundige concepten toe door middel van programmeren. Daarom pas je in deze specialisatie de wiskundeconcepten die je leert door programmeren in Python toe, in het kader van praktische oefeningen in het laboratorium.

vereisten

Als deelnemer aan dit programma heb je basis- tot middelmatige programmeervaardigheden in Python nodig om succesvol te zijn. Veel machine learning-ingenieurs en datawetenschappers hebben moeite met wiskunde, zelfs ervaren beoefenaars kunnen zich beperkt voelen omdat ze geen wiskundige vaardigheden hebben. Deze major maakt gebruik van innovatieve wiskundepedagogiek om je te helpen snel en intuïtief te leren, met cursussen die gebruik maken van eenvoudig te volgen illustraties die je helpen te zien hoe de wiskunde achter machinaal leren echt werkt.

Aanbevelingen

  • Wiskundige kennis op middelbare schoolniveau (functies, basisalgebra)
  • Bekendheid met programmeren (datastructuren, loops, functies, voorwaardelijke instructies, debuggen)

De opdrachten en labs zijn geschreven in Python, maar de cursus introduceert alle machine learning-bibliotheken die je gaat gebruiken.

Een praktisch leerproject

Aan het einde van deze stage ben je klaar om:

  • Geef gegevens weer als vectoren en matrices en identificeer hun eigenschappen, zoals singulariteit, graad en lineaire onafhankelijkheid
  • Pas algemene vector- en matrixalgebra-bewerkingen toe, zoals puntvermenigvuldiging, inversies en determinanten
  • Druk matrixbewerkingen uit als lineaire overdrachten
  • Pas de concepten van eigenwaarden en eigenvectoren toe op machine learning-problemen, inclusief hoofdcomponentenanalyse (PCA)
  • Optimaliseer verschillende soorten functies die vaak worden gebruikt in machine learning
  • Om een ​​sikkeldaling te maken in neurale programma’s met verschillende activeringsfuncties en kostenfuncties
  • Wijs op de eigenschappen van gemeenschappelijke kansverdelingen
  • Voer verkennende gegevensanalyses uit om patronen in een reeks gegevens te vinden, verifiëren en kwantificeren
  • Kwantificeer de zekerheid van voorspellingen van machine learning-modellen met behulp van betrouwbaarheidsintervallen, foutmarges, p-waarden en het testen van hypothesen
  • Pas gangbare statistische methoden toe, zoals MLE en MAP

Details of the courses that make up the specialization

Lineaire algebra voor machinaal leren en datawetenschap

Cursus 1 • 34 uur • 4,6 (1.674 beoordelingen)

Cursusdetails
wat ga je leren
  • Geef gegevens weer als vectoren en matrices en identificeer hun eigenschappen met behulp van de concepten singulariteit, rangorde en lineaire onafhankelijkheid.
  • Pas algemene algebrabewerkingen toe op vectoren en matrices zoals puntproduct, inverse en determinanten.
  • Druk bepaalde soorten matrixbewerkingen uit als lineaire transformaties en pas concepten van eigenwaarden en eigenvectoren toe op machine learning-problemen.
vaardigheden die je gaat opdoen
  • Categorie: Eigenwaarden en Eigenvectoren
  • Categorie: Lineaire vergelijkingen
  • Categorie: Determinanten
  • Categorie: machinaal leren
  • Categorie: Lineaire algebra

Calculus voor machinaal leren en datawetenschap

Cursus 2 • 26 uur • 4,8 (708 beoordelingen)

Cursusdetails
wat ga je leren
  • Analytische optimalisatie van verschillende soorten functies die vaak worden gebruikt bij machinaal leren met behulp van afgeleide en gradiënteigenschappen.
  • Voer een geschatte optimalisatie uit van verschillende soorten functies die vaak worden gebruikt in machine learning.
  • Begrijp visueel en intuïtief de afgeleiden van verschillende soorten functies die vaak worden gebruikt in machine learning.
  • Voer gradiëntafdaling uit in neurale netwerken met verschillende activerings- en kostenfuncties.
vaardigheden die je gaat opdoen
  • Categorie: Berekening
  • Categorie: machinaal leren
  • Categorie: Newton’s methode
  • Categorie: gradiëntafdaling
  • Categorie: Wiskundige optimalisatie

Kansrekening en statistiek voor machinaal leren en datawetenschap

Cursus 3 • 33 uur • 4,6 (447 beoordelingen)

Cursusdetails
wat ga je leren
  • Beschrijf en kwantificeer de onzekerheid die inherent is aan voorspellingen van machine learning-modellen.
  • Begrijp visueel en intuïtief de eigenschappen van waarschijnlijkheidsverdelingen die vaak worden gebruikt in machine learning en data science.
  • Pas algemene statistische methoden toe, zoals maximale waarschijnlijkheidsschatting (MLE) en maximale a priori schatting (MAP) bij machine learning-problemen.
  • Evalueer de prestaties van machine learning-modellen met behulp van intervalschattingen en foutmarges.
vaardigheden die je gaat opdoen
  • Categorie: Kans en Statistiek
  • Categorie: Machine Learning (ML)-algoritmen
  • Categorie: statistische analyse
  • Categorie: Kans
  • Categorie: Statistische hypothesetesten