Онлайн-курс – сертифицированная профессиональная специализация по машинному обучению и науке о данных Google и DeepLearning.AI, DeepLearning.AI

Освойте инструменты искусственного интеллекта и машинного обучения. Математическая методология машинного обучения и науки о данных — это специализация для начинающих, где вы изучите основные математические инструменты машинного обучения: исчисление, линейную алгебру, статистику и теорию вероятностей.

Suggested by: Coursera (What is Coursera?)

Professional Certificate

Средний уровень

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Байесовская статистика
  • математика
  • Линейная регрессия
  • счет
  • машинное обучение
  • вероятность

What you will learn in the course

Courses for which the course is suitable

  • Инженер по машинному обучению
  • специалист по данным
  • аналитик данных
  • Разработчик алгоритмов
  • Эксперт по искусственному интеллекту
  • системный аналитик
  • Разработчик программного обеспечения в области данных
  • Исследователь в области машинного обучения

Стажировка — серия курсов из трех частей.

Обновлено до 2024 года!

Математика для машинного обучения и науки о данных — это базовая онлайн-программа, созданная DeepLearning.AI и преподаваемая Луисом Серрано. В машинном обучении вы применяете математические концепции посредством программирования. Таким образом, в этой специализации вы будете применять математические концепции, которые вы изучите посредством программирования на Python, в рамках практических занятий в лаборатории.

предпосылки

Чтобы добиться успеха, как участнику этой программы, вам потребуются базовые и средние навыки программирования на Python. Многие инженеры по машинному обучению и специалисты по обработке данных испытывают трудности с математикой, даже опытные практики могут чувствовать себя ограниченными из-за отсутствия математических навыков. В этой специальности используется инновационная математическая педагогика, которая поможет вам учиться быстро и интуитивно, с курсами, в которых используются понятные иллюстрации, которые помогут вам увидеть, как на самом деле работает математика, лежащая в основе машинного обучения.

Рекомендации

  • Математические знания на уровне средней школы (функции, основы алгебры)
  • Знакомство с программированием (структуры данных, циклы, функции, условные операторы, отладка)

Задания и лабораторные работы написаны на Python, но в курсе представлены все библиотеки машинного обучения, которые вы будете использовать.

Практический учебный проект

По итогам стажировки вы будете готовы:

  • Представляйте данные в виде векторов и матриц и определяйте их свойства, такие как сингулярность, степень и линейная независимость.
  • Применяйте общие операции векторной и матричной алгебры, такие как умножение точек, инверсии и определители.
  • Выразите матричные операции как линейные передачи
  • Применять концепции собственных значений и собственных векторов к задачам машинного обучения, включая анализ главных компонентов (PCA)
  • Оптимизация различных типов функций, обычно используемых в машинном обучении.
  • Сделать падение шекеля в нейронных программах с разными функциями активации и функциями стоимости.
  • Укажите свойства общих вероятностных распределений.
  • Выполните исследовательский анализ данных, чтобы найти, проверить и количественно оценить закономерности в наборе данных.
  • Количественно оценить достоверность прогнозов, сделанных моделями машинного обучения, используя доверительные интервалы, пределы погрешности, значения p и проверку гипотез.
  • Применяйте общие статистические методы, такие как MLE и MAP.

Details of the courses that make up the specialization

Линейная алгебра для машинного обучения и науки о данных

Курс 1 • 34 часа • 4,6 (1674 оценок)

Детали курса
чему ты научишься
  • Представляйте данные в виде векторов и матриц и определяйте их свойства, используя концепции сингулярности, ранга и линейной независимости.
  • Применяйте общие алгебраические операции к векторам и матрицам, такие как скалярное произведение, обратное и определители.
  • Выражайте определенные типы матричных операций как линейные преобразования и применяйте понятия собственных значений и собственных векторов к задачам машинного обучения.
навыки, которые вы получите
  • Категория: Собственные значения и собственные векторы
  • Категория: Линейные уравнения
  • Категория: Определяющие факторы
  • Категория: машинное обучение
  • Категория: Линейная алгебра

Исчисление для машинного обучения и науки о данных

Курс 2 • 26 часов • 4,8 (708 оценок)

Детали курса
чему ты научишься
  • Аналитическая оптимизация различных типов функций, обычно используемых в машинном обучении, с использованием свойств производных и градиента.
  • Выполните приблизительную оптимизацию различных типов функций, обычно используемых в машинном обучении.
  • Визуально и интуитивно понимать производные различных типов функций, обычно используемых в машинном обучении.
  • Выполните градиентный спуск в нейронных сетях с различными функциями активации и стоимости.
навыки, которые вы получите
  • Категория: расчет
  • Категория: машинное обучение
  • Категория: Метод Ньютона
  • Категория: градиентный спуск
  • Категория: Математическая оптимизация

Вероятность и статистика для машинного обучения и науки о данных

Курс 3 • 33 часа • 4,6 (447 оценок)

Детали курса
чему ты научишься
  • Опишите и дайте количественную оценку неопределенности, присущей прогнозам, сделанным с помощью моделей машинного обучения.
  • Визуально и интуитивно понять свойства распределений вероятностей, обычно используемых в машинном обучении и науке о данных.
  • Применяйте общие статистические методы, такие как оценка максимального правдоподобия (MLE) и максимальная априорная оценка (MAP) в задачах машинного обучения.
  • Оценивайте производительность моделей машинного обучения, используя интервальные оценки и пределы погрешности.
навыки, которые вы получите
  • Категория: Шанс и статистика
  • Категория: Алгоритмы машинного обучения (ML)
  • Категория: статистический анализ
  • Категория: Шанс
  • Категория: Проверка статистических гипотез