Çevrimiçi kurs – Google ve DeepLearning.AI, DeepLearning.AI’nin makine öğrenimi ve veri bilimi alanında sertifikalı profesyonel uzmanlık

Yapay zeka ve makine öğrenimi araçlarına hakim olun. Makine Öğrenimi ve Veri Bilimi için Matematik Metodolojisi, makine öğreniminin temel matematik araçlarını öğreneceğiniz, başlangıç ​​seviyesi dostu bir uzmanlık alanıdır: hesaplama, doğrusal cebir, istatistik ve olasılık teorisi.

Suggested by: Coursera (What is Coursera?)

Start your Coursera.com free trial today
Çevrimiçi kurs - Google ve DeepLearning.AI, DeepLearning.AI'nin makine öğrenimi ve veri bilimi alanında sertifikalı profesyonel uzmanlık

Professional Certificate

Orta seviye

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • Bayes istatistikleri
  • matematik
  • Doğrusal regresyon
  • fatura
  • makine öğrenimi
  • olasılık

What you will learn in the course

Courses for which the course is suitable

  • Makine öğrenimi mühendisi
  • veri bilimcisi
  • veri analisti
  • Algoritma geliştiricisi
  • Yapay zeka uzmanı
  • sistem analisti
  • Veri alanında yazılım geliştiricisi
  • Makine öğrenimi alanında araştırmacı

Staj – üç bölümlük bir kurs serisi

2024’e güncellendi!

Makine Öğrenimi ve Veri Bilimi için Matematik, DeepLearning.AI tarafından oluşturulan ve Luis Serrano tarafından öğretilen çevrimiçi temel bir programdır. Makine öğreniminde matematik kavramlarını programlama yoluyla uygularsınız. Dolayısıyla bu uzmanlıkta Python’da programlama yoluyla öğreneceğiniz matematik kavramlarını laboratuvardaki pratik alıştırmalar çerçevesinde uygulayacaksınız.

önkoşullar

Bu programın bir katılımcısı olarak başarılı olabilmek için Python’da temel ve orta düzey programlama becerilerine ihtiyacınız olacak. Birçok makine öğrenimi mühendisi ve veri bilimci matematikte zorluk yaşıyor, deneyimli uygulayıcılar bile matematik becerilerine sahip olmadıkları için kendilerini sınırlı hissedebiliyorlar. Bu ana dal, hızlı ve sezgisel bir şekilde öğrenmenize yardımcı olmak için yenilikçi matematik pedagojisini kullanır; makine öğreniminin arkasındaki matematiğin gerçekte nasıl çalıştığını görmenize yardımcı olan takip edilmesi kolay illüstrasyonlar kullanan kurslarla.

Öneriler

  • Lise düzeyinde matematik bilgisi (fonksiyonlar, temel cebir)
  • Programlamaya aşinalık (veri yapıları, döngüler, işlevler, koşullu ifadeler, hata ayıklama)

Ödevler ve laboratuvarlar Python’da yazılmıştır, ancak kursta kullanacağınız tüm makine öğrenimi kitaplıkları tanıtılmaktadır.

Pratik bir öğrenme projesi

Bu stajın sonunda hazır olacaksınız:

  • Verileri vektörler ve matrisler olarak temsil edin ve tekillik, derece ve doğrusal bağımsızlık gibi özelliklerini tanımlayın
  • Nokta çarpma, ters çevirme ve determinantlar gibi ortak vektör ve matris cebir işlemlerini uygulama
  • Matris işlemlerini doğrusal transferler olarak ifade edin
  • Özdeğer ve özvektör kavramlarını, temel bileşen analizi (PCA) dahil olmak üzere makine öğrenimi problemlerine uygulayın
  • Makine öğreniminde yaygın olarak kullanılan çeşitli işlev türlerini optimize edin
  • Farklı aktivasyon fonksiyonları ve maliyet fonksiyonlarına sahip sinir programlarında şekel düşüşü yapmak
  • Ortak olasılık dağılımlarının özelliklerini belirtin
  • Bir veri kümesindeki kalıpları bulmak, doğrulamak ve ölçmek için keşifsel veri analizi gerçekleştirin
  • Güven aralıkları, hata marjları, p değerleri ve hipotez testlerini kullanarak makine öğrenimi modelleri tarafından yapılan tahminlerin kesinliğini ölçün
  • MLE ve MAP gibi yaygın istatistiksel yöntemleri uygulayın

Details of the courses that make up the specialization

Makine Öğrenimi ve Veri Bilimi için Doğrusal Cebir

Kurs 1 • 34 saat • 4,6 (1.674 puan)

Kurs detayları
ne öğreneceksin
  • Verileri vektörler ve matrisler olarak temsil edin ve tekillik, sıra ve doğrusal bağımsızlık kavramlarını kullanarak özelliklerini tanımlayın.
  • Nokta çarpım, ters ve determinantlar gibi vektörlere ve matrislere yaygın cebir işlemlerini uygulayın.
  • Belirli matris işlemleri türlerini doğrusal dönüşümler olarak ifade edin ve özdeğer ve özvektör kavramlarını makine öğrenimi problemlerine uygulayın.
kazanacağınız beceriler
  • Kategori: Özdeğerler ve Özvektörler
  • Kategori: Doğrusal denklemler
  • Kategori: Belirleyiciler
  • Kategori: makine öğrenimi
  • Kategori: Lineer Cebir

Makine Öğrenimi ve Veri Bilimi için Matematik

Kurs 2 • 26 saat • 4,8 (708 puan)

Kurs detayları
ne öğreneceksin
  • Türev ve gradyan özelliklerini kullanarak makine öğreniminde yaygın olarak kullanılan çeşitli fonksiyon türlerinin analitik optimizasyonu.
  • Makine öğreniminde yaygın olarak kullanılan çeşitli fonksiyon türlerinin yaklaşık optimizasyonunu gerçekleştirin.
  • Makine öğreniminde yaygın olarak kullanılan çeşitli fonksiyon türlerinin türevlerini görsel ve sezgisel olarak anlayın.
  • Farklı aktivasyon ve maliyet fonksiyonlarına sahip sinir ağlarında gradyan inişini gerçekleştirin.
kazanacağınız beceriler
  • Kategori: Hesaplama
  • Kategori: makine öğrenimi
  • Kategori: Newton’un yöntemi
  • Kategori: degrade iniş
  • Kategori: Matematiksel optimizasyon

Makine Öğrenimi ve Veri Bilimi için Olasılık ve İstatistik

Kurs 3 • 33 saat • 4,6 (447 değerlendirme)

Kurs detayları
ne öğreneceksin
  • Makine öğrenimi modellerinin yaptığı tahminlerin doğasında olan belirsizliği tanımlayın ve ölçün.
  • Makine öğrenimi ve veri biliminde yaygın olarak kullanılan olasılık dağılımlarının özelliklerini görsel ve sezgisel olarak anlayın.
  • Makine öğrenimi problemlerinde maksimum olasılık tahmini (MLE) ve maksimum a priori tahmin (MAP) gibi yaygın istatistiksel yöntemleri uygulayın.
  • Aralık tahminlerini ve hata marjlarını kullanarak makine öğrenimi modellerinin performansını değerlendirin.
kazanacağınız beceriler
  • Kategori: Şans ve İstatistik
  • Kategori: Makine Öğrenimi (ML) Algoritmaları
  • Kategori: istatistiksel analiz
  • Kategori: Şans
  • Kategori: İstatistiksel hipotez testi

İlgili ürünler