Informações sobre o curso

236,767 visualizações recentes

Resultados de carreira do aprendiz

50%

comecei uma nova carreira após concluir estes cursos

48%

consegui um benefício significativo de carreira com este curso
Certificados compartilháveis
Tenha o certificado após a conclusão
100% on-line
Comece imediatamente e aprenda em seu próprio cronograma.
Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Nível intermediário
Aprox. 19 horas para completar
Inglês
Legendas: Inglês

O que você vai aprender

  • Implement mathematical concepts using real-world data

  • Derive PCA from a projection perspective

  • Understand how orthogonal projections work

  • Master PCA

Habilidades que você terá

Dimensionality ReductionPython ProgrammingLinear Algebra

Resultados de carreira do aprendiz

50%

comecei uma nova carreira após concluir estes cursos

48%

consegui um benefício significativo de carreira com este curso
Certificados compartilháveis
Tenha o certificado após a conclusão
100% on-line
Comece imediatamente e aprenda em seu próprio cronograma.
Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Nível intermediário
Aprox. 19 horas para completar
Inglês
Legendas: Inglês

Instrutores

oferecido por

Logotipo de Imperial College London

Imperial College London

Programa - O que você aprenderá com este curso

Classificação do conteúdoThumbs Up80%(4,003 classificações)Info
Semana
1

Semana 1

5 horas para concluir

Statistics of Datasets

5 horas para concluir
8 vídeos (Total 27 mín.), 6 leituras, 4 testes
8 videos
Welcome to module 141s
Mean of a dataset4min
Variance of one-dimensional datasets4min
Variance of higher-dimensional datasets5min
Effect on the mean4min
Effect on the (co)variance3min
See you next module!27s
6 leituras
About Imperial College & the team5min
How to be successful in this course5min
Grading policy5min
Additional readings & helpful references5min
Set up Jupyter notebook environment offline10min
Symmetric, positive definite matrices10min
3 exercícios práticos
Mean of datasets15min
Variance of 1D datasets15min
Covariance matrix of a two-dimensional dataset15min
Semana
2

Semana 2

4 horas para concluir

Inner Products

4 horas para concluir
8 vídeos (Total 36 mín.), 1 leitura, 5 testes
8 videos
Dot product4min
Inner product: definition5min
Inner product: length of vectors7min
Inner product: distances between vectors3min
Inner product: angles and orthogonality5min
Inner products of functions and random variables (optional)7min
Heading for the next module!35s
1 leituras
Basis vectors20min
4 exercícios práticos
Dot product10min
Properties of inner products20min
General inner products: lengths and distances20min
Angles between vectors using a non-standard inner product20min
Semana
3

Semana 3

4 horas para concluir

Orthogonal Projections

4 horas para concluir
6 vídeos (Total 25 mín.), 1 leitura, 3 testes
6 videos
Projection onto 1D subspaces7min
Example: projection onto 1D subspaces3min
Projections onto higher-dimensional subspaces8min
Example: projection onto a 2D subspace3min
This was module 3!32s
1 leituras
Full derivation of the projection20min
2 exercícios práticos
Projection onto a 1-dimensional subspace25min
Project 3D data onto a 2D subspace40min
Semana
4

Semana 4

5 horas para concluir

Principal Component Analysis

5 horas para concluir
10 vídeos (Total 52 mín.), 5 leituras, 2 testes
10 videos
Problem setting and PCA objective7min
Finding the coordinates of the projected data5min
Reformulation of the objective10min
Finding the basis vectors that span the principal subspace7min
Steps of PCA4min
PCA in high dimensions5min
Other interpretations of PCA (optional)7min
Summary of this module42s
This was the course on PCA56s
5 leituras
Vector spaces20min
Orthogonal complements10min
Multivariate chain rule10min
Lagrange multipliers10min
Did you like the course? Let us know!10min
1 exercício prático
Chain rule practice20min

Avaliações

Principais avaliações do MATHEMATICS FOR MACHINE LEARNING: PCA

Visualizar todas as avaliações

Sobre Programa de cursos integrados Matemática para aprendizagem automática

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....
Matemática para aprendizagem automática

Perguntas Frequentes – FAQ

  • Access to lectures and assignments depends on your type of enrollment. If you take a course in audit mode, you will be able to see most course materials for free. To access graded assignments and to earn a Certificate, you will need to purchase the Certificate experience, during or after your audit. If you don't see the audit option:

    • The course may not offer an audit option. You can try a Free Trial instead, or apply for Financial Aid.
    • The course may offer 'Full Course, No Certificate' instead. This option lets you see all course materials, submit required assessments, and get a final grade. This also means that you will not be able to purchase a Certificate experience.
  • Quando você se inscreve no curso, tem acesso a todos os cursos na Especialização e pode obter um certificado quando concluir o trabalho. Seu Certificado eletrônico será adicionado à sua página de Participações e você poderá imprimi-lo ou adicioná-lo ao seu perfil no LinkedIn. Se quiser apenas ler e assistir o conteúdo do curso, você poderá frequentá-lo como ouvinte sem custo.

  • Se você se inscrever, terá 7 dias para testar sem custo e, durante este período, pode cancelar sem multa. Depois disso, não reembolsamos, mas você pode cancelar sua inscrição a qualquer momento. Veja nossa política para o reembolso total.

  • Sim, a Coursera oferece auxílio financeiro ao aluno que não possa pagar a taxa. Faça a solicitação clicando no link Auxílio Financeiro, abaixo do botão "Inscreva-se" à esquerda. Preencha uma solicitação e será notificado caso seja aprovado. Você terá que completar esta etapa para cada curso na Especialização, incluindo o Trabalho de Conclusão de Curso. Saiba mais .

  • You will need good python knowledge to get through the course.

  • This course is significantly harder and different in style: it uses more abstract concepts and requires much more programming experience than the other two courses. Therefore, when you complete the full specialization, you will be equipped with a much more diverse set of skills.

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.