在线课程 – Google 和 Differentining.DeepLearning.AI 的机器学习和数据科学认证专业

掌握 AI 和机器学习工具。机器学习和数据科学的数学方法是一个适合初学者的专业，您将在其中学习机器学习的基本数学工具：计算、线性代数、统计和概率论。

Suggested by: Coursera (What is Coursera?)

Start your Coursera.com free trial today
在线课程 - Google 和 Differentining.DeepLearning.AI 的机器学习和数据科学认证专业

Professional Certificate

中档

No prior knowledge required

Time to complete the course

7-day free trial

No unnecessary risks

Skills you will acquire in the course

  • 贝叶斯统计
  • 数学
  • 线性回归
  • 帐户
  • 机器学习
  • 概率

What you will learn in the course

Courses for which the course is suitable

  • 机器学习工程师
  • 数据科学家
  • 数据分析师
  • 开发算法
  • 人工智能专家
  • 系统分析员
  • 数据软件开发人员
  • 机器学习领域的研究人员

专业化 – 由三部分组成的课程系列

2024 年更新！

数学、机器学习和数据科学是由 DeepLearning.AI 创建并由 Luis Serrano 教授的在线基础课程。在机器学习中，您可以通过编程来应用数学概念。因此，在这个专业中，您将应用通过 Python 编程学到的数学概念，作为实验室实践练习的一部分。

先决条件

作为该计划的参与者，您需要具备从基础到中级的 Python 编程技能才能取得成功。许多机器学习工程师和数据科学家在数学上感到困难，即使是经验丰富的从业者也会感到受到数学技能的限制。该专业使用尖端的数学教学法来帮助您快速直观地学习，课程使用易于理解的插图，帮助您了解机器学习背后的数学是如何运作的。

建议

  • 高中数学知识（函数、基础代数）
  • 编程入门（数据结构、循环、函数、条件语句、调试）

作业和实验是用 Python 编写的，但本课程介绍了您将使用的所有机器学习库。

实践学习项目

在这次实习结束时，您将准备好：

  • 将数据表示为向量和矩阵，并具有其 Identificar 属性，例如奇异性、秩和线性独立性
  • 应用常见的向量和母系代数运算，例如点乘法、反转和行列式
  • 将矩阵运算表示为线性转换
  • 将特征值和特征向量概念应用于机器学习问题，包括主成分分析 （PCA）
  • 优化机器学习中常用的不同类型的函数
  • 使用不同的操作和成本函数执行 drop in 神经程序
  • 指出常见概率分布的性质
  • 执行探索性数据分析以查找、验证和量化数据集中的模式
  • 使用置信区间、误差幅度、p 值和假设检验量化机器学习模型所做预测的质量
  • 应用常见的统计方法，如 MLE 和 MAP

Details of the courses that make up the specialization

用于机器学习和数据科学的线性代数

课程 1 • 34 小时 • 4.6 （1,674 个等级）

课程详情
学习内容
  • 将数据表示为向量和矩阵，并使用奇异性、秩和线性独立性的概念识别其属性。
  • 将常见的代数运算应用于向量和矩阵，例如点乘法、逆矩阵和行列式。
  • 将某些类型的矩阵运算表示为线性转换，并将特征值和特征向量的概念应用于机器学习问题。
您将获得的技能
  • 类别： 特征值和向量 Eigens
  • 类别： 线性方程
  • 类别： 行列式
  • 类别： 机器学习
  • 类别： 线性代数

机器学习和数据科学的微积分

课程 2 • 26 小时 • 4.8 （708 个等级）

课程详情
学习内容
  • 使用导数和梯度的特征对机器学习中常用的不同类型的函数执行分析优化。
  • 对机器学习中常用的不同类型的函数执行近似优化。
  • 直观地了解机器学习中常用的不同类型的函数的导数。
  • 在具有不同运算和成本函数的神经网络中执行梯度下降。
您将获得的技能
  • 类别： 计算
  • 类别： 机器学习
  • 类别： 牛顿方法
  • 类别： 梯度下降
  • 类别： 数学优化

机器学习和数据科学的概率与统计

课程 3 • 33 小时 • 4.6 （447 评分）

课程详情
学习内容
  • 描述和量化机器学习模型所做预测中固有的不确定性。
  • 直观地了解机器学习和数据科学中常用的概率分布的属性。
  • 将常见统计方法（例如最大似然估计 （MLE） 和最大先验估计 （MAP））应用于机器学习问题。
  • 使用区间和误差边际评估评估机器学习模型的性能。
您将获得的技能
  • 类别： 机会 & 统计
  • 类别： 机器学习 （ML） 算法
  • 类别： 统计分析
  • 类别： 机会
  • 类别： 统计假设检验

相关产品