Matemática para aprendizagem automática. Learn about the prerequisite mathematics for applications in data science and machine learning

4.6

estrelas

10,232 classificações

129.088 já se inscreveram

Instrutor(es): David Dye +3 more

Legendas: Inglês, Árabe,

oferecido por

Programa de cursos integrados Matemática para aprendizagem automáticaImperial College London

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

Eigenvalues And EigenvectorsPrincipal Component Analysis (PCA)Multivariable CalculusLinear AlgebraBasis (Linear Algebra)Transformation MatrixLinear RegressionVector CalculusGradient DescentDimensionality ReductionPython Programming

Sobre este Programa de cursos integrados

68.084 visualizações recentes

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.

Projeto de Aprendizagem Aplicada

Through the assignments of this specialisation you will use the skills you have learned to produce mini-projects with Python on interactive notebooks, an easy to learn tool which will help you apply the knowledge to real world problems. For example, using linear algebra in order to calculate the page rank of a small simulated internet, applying multivariate calculus in order to train your own neural network, performing a non-linear least squares regression to fit a model to a data set, and using principal component analysis to determine the features of the MNIST digits data set.

Resultados de carreira do aprendiz

47%

Começou uma nova carreira depois de completar o Programa de cursos integrados.

Certificados compartilháveis

Tenha o certificado após a conclusão

Cursos 100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Cronograma flexível

Definição e manutenção de prazos flexíveis.

Nível iniciante

Não é necessário ter experiência prévia.Não é necessária experiência prévia.

Aproximadamente 4 meses para ser concluído

Ritmo sugerido de 4 horas/semana

Inglês

Legendas: Inglês, Árabe, Francês, Portuguese (European), Italiano, Vietnamita, Alemão, Russo, Espanhol, Grego

Resultados de carreira do aprendiz

47%

Começou uma nova carreira depois de completar o Programa de cursos integrados.

Certificados compartilháveis

Tenha o certificado após a conclusão

Cursos 100% on-line

Comece imediatamente e aprenda em seu próprio cronograma.

Cronograma flexível

Definição e manutenção de prazos flexíveis.

Nível iniciante

Não é necessário ter experiência prévia.Não é necessária experiência prévia.

Aproximadamente 4 meses para ser concluído

Ritmo sugerido de 4 horas/semana

Inglês

Legendas: Inglês, Árabe, Francês, Portuguese (European), Italiano, Vietnamita, Alemão, Russo, Espanhol, Grego

Como funciona o programa de cursos integrados

Fazer cursos

Um programa de cursos integrados do Coursera é uma série de cursos para ajudá-lo a dominar uma habilidade. Primeiramente, inscreva-se no programa de cursos integrados diretamente, ou avalie a lista de cursos e escolha por qual você gostaria de começar. Ao se inscrever em um curso que faz parte de um programa de cursos integrados, você é automaticamente inscrito em todo o programa de cursos integrados. É possível concluir apenas um curso — você pode pausar a sua aprendizagem ou cancelar a sua assinatura a qualquer momento. Visite o seu painel de aprendiz para controlar suas inscrições em cursos e progresso.

Projeto prático

Todos os programas de cursos integrados incluem um projeto prático. Você precisará completar com êxito o(s) projeto(s) para concluir o programa de cursos integrados e obter o seu certificado. Se o programa de cursos integrados incluir um curso separado para o projeto prático, você precisará completar todos os outros cursos antes de iniciá-lo.

Obtenha um certificado

Ao concluir todos os cursos e completar o projeto prático, você obterá um certificado que pode ser compartilhado com potenciais empregadores e com sua rede profissional.

Este Programa de cursos integrados contém 3 cursos

Curso1

Curso 1

Mathematics for Machine Learning: Linear Algebra

4.7

estrelas

9,938 classificações

•

1,997 avaliações

In this course on Linear Algebra we look at what linear algebra is and how it relates to vectors and matrices. Then we look through what vectors and matrices are and how to work with them, including the knotty problem of eigenvalues and eigenvectors, and how to use these to solve problems. Finally we look at how to use these to do fun things with datasets - like how to rotate images of faces and how to extract eigenvectors to look at how the Pagerank algorithm works.

Since we're aiming at data-driven applications, we'll be implementing some of these ideas in code, not just on pencil and paper. Towards the end of the course, you'll write code blocks and encounter Jupyter notebooks in Python, but don't worry, these will be quite short, focussed on the concepts, and will guide you through if you’ve not coded before. At the end of this course you will have an intuitive understanding of vectors and matrices that will help you bridge the gap into linear algebra problems, and how to apply these concepts to machine learning.

Curso2

Curso 2

Mathematics for Machine Learning: Multivariate Calculus

4.7

estrelas

4,783 classificações

•

852 avaliações

This course offers a brief introduction to the multivariate calculus required to build many common machine learning techniques. We start at the very beginning with a refresher on the “rise over run” formulation of a slope, before converting this to the formal definition of the gradient of a function. We then start to build up a set of tools for making calculus easier and faster. Next, we learn how to calculate vectors that point up hill on multidimensional surfaces and even put this into action using an interactive game. We take a look at how we can use calculus to build approximations to functions, as well as helping us to quantify how accurate we should expect those approximations to be. We also spend some time talking about where calculus comes up in the training of neural networks, before finally showing you how it is applied in linear regression models. This course is intended to offer an intuitive understanding of calculus, as well as the language necessary to look concepts up yourselves when you get stuck. Hopefully, without going into too much detail, you’ll still come away with the confidence to dive into some more focused machine learning courses in future.

Curso3

Curso 3

Mathematics for Machine Learning: PCA

4.0

estrelas

2,639 classificações

•

660 avaliações

This intermediate-level course introduces the mathematical foundations to derive Principal Component Analysis (PCA), a fundamental dimensionality reduction technique. We'll cover some basic statistics of data sets, such as mean values and variances, we'll compute distances and angles between vectors using inner products and derive orthogonal projections of data onto lower-dimensional subspaces. Using all these tools, we'll then derive PCA as a method that minimizes the average squared reconstruction error between data points and their reconstruction.

At the end of this course, you'll be familiar with important mathematical concepts and you can implement PCA all by yourself. If you’re struggling, you'll find a set of jupyter notebooks that will allow you to explore properties of the techniques and walk you through what you need to do to get on track. If you are already an expert, this course may refresh some of your knowledge. The lectures, examples and exercises require: 1. Some ability of abstract thinking 2. Good background in linear algebra (e.g., matrix and vector algebra, linear independence, basis) 3. Basic background in multivariate calculus (e.g., partial derivatives, basic optimization) 4. Basic knowledge in python programming and numpy Disclaimer: This course is substantially more abstract and requires more programming than the other two courses of the specialization. However, this type of abstract thinking, algebraic manipulation and programming is necessary if you want to understand and develop machine learning algorithms.

Instrutores

oferecido por

Imperial College London

Imperial College London is a world top ten university with an international reputation for excellence in science, engineering, medicine and business. located in the heart of London. Imperial is a multidisciplinary space for education, research, translation and commercialisation, harnessing science and innovation to tackle global challenges.

Perguntas Frequentes – FAQ

Vou ganhar créditos universitários por concluir a Especialização?
Este Programa de cursos integrados não oferece créditos universitários, mas algumas universidades podem aceitar certificados de Programas de cursos integrados que podem ser convertidos em créditos. Entre em contato com sua instituição para saber mais. Com os cursos on-line e os certificados Mastertrack™ do Coursera, é possível ganhar créditos universitários.
Can I just enroll in a single course?
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.
Posso me inscrever em um único curso?
Sim! Para começar, clique na carta de curso que lhe interessa e se inscreva. Você pode se inscrever e concluir o curso para ganhar um certificado compartilhável ou você pode auditar para ver os materiais do curso de graça. Quando você se inscrever em um curso que faz parte de uma especialização, você está automaticamente inscrito para a especialização completa. Visite o seu painel de aluno para acompanhar o seu progresso.
Can I take the course for free?
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 .
Posso fazer o curso gratuitamente?
Quando se inscrever no curso, você terá acesso a todos os cursos na Especialização e ganhará um certificado quando concluir o trabalho. Se você só quiser ler e visualizar o conteúdo do curso, pode auditar o curso gratuitamente. Se não puder pagar a taxa, você pode solicitar ajuda financeira.
Este curso é realmente 100% on-line? Eu preciso assistir alguma aula pessoalmente?
Este curso é totalmente on-line, então não existe necessidade de aparecer em uma sala de aula pessoalmente. Você pode acessar suas palestras, leituras e atribuições a qualquer hora e qualquer lugar, via web ou dispositivo móvel.
Quanto tempo é necessário para concluir a Especialização?
High school maths knowledge is required. Basic knowledge of Python can come in handy, but it is not necessary for courses 1 and 2. For course 3 (intermediate difficulty) you will need basic Python and numpy knowledge to get through the assignments.
Do I need to take the courses in a specific order?
We recommend taking the courses in the order in which they are displayed on the main page of the Specialization.
Will I earn university credit for completing the Specialization?
This is a non-credit Specialization.
Vou ganhar créditos universitários por concluir a Especialização?
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.

Mais dúvidas? Visite o Central de Ajuda ao Aprendiz.