基本線性代數和微積分在 NumPy、TensorFlow 和 PyTorch 中的實戰應用
Contents
從這 8.5 小時的課程，你會學到
- 理解線性代數的基本原理，這是所有機器學習演算法和資料科學模型的關鍵課題
- 使用所有三個最重要的 Python 張量程式庫來操縱張量( tensors )。NumPy、TensorFlow和PyTorch
- 如何應用機器學習和資料科學的所有基本向量和矩陣操作
- 用特徵向量、SVD 和 PCA 將複雜資料的維度降低到資訊量最大的元素上
- 用簡單的技術（如消除）和先進的技術（如偽反轉）解決未知數的問題
- 能夠更深入地掌握尖端的機器學習論文的細節
要求
- 所有的程式碼示範都將使用 Python，因此對 Python 或其他物件導向的程式語言的經驗將有助於跟上實踐的範例
- 熟悉中學水平的數學將使這門課更容易跟上。如果你能自如地處理量化資訊–如理解圖表和重新排列簡單的方程式–那麼你應該做好充分準備來跟上所有的數學課程。
課程說明
要成為一名優秀的資料科學家，你需要知道如何使用資料科學和機器學習程式庫和演算法，如Scikit-learn、TensorFlow和PyTorch，來解決你手頭的任何問題。
要成為一名優秀的資料科學家，你需要知道這些程式庫和演算法是如何在引擎蓋下工作的。這就是我們的《機器學習的數學基礎》的用處。
在深度學習大師 Jon Krohn 博士的帶領下，本課程提供了對數學的牢固掌握，如線性代數和微積分，這是機器學習演算法和資料科學模型的基礎。
該課程分為以下幾個部分。
- 線性代數 資料結構
- 張量操作
- 矩陣屬性
- 特徵向量和特徵值
- 機器學習的矩陣運算
- 矩陣的侷限性
我們已經完成了關於微積分的額外內容的拍攝（第7至10節），這些內容將在2021年春季進行編輯和上傳。到那時，機器學習的數學基礎課程可以說是完成了，但我們將繼續以最快的速度增加額外的內容–關於機率、統計、資料結構和最佳化。現在的報名包括免費、無限制地訪問所有這些未來的課程內容–總共超過25小時。
在每個章節中，你會發現大量的實踐作業、Python程式碼示範和實際練習，以使你的數學遊戲加速發展
你準備好成為一名優秀的資料科學家了嗎？在課堂上見。
目標受眾
- 你使用高階軟體程式庫（如scikit-learn、Keras、TensorFlow）來訓練或部署機器學習演算法，現在想了解抽象的基礎知識，使你能夠擴充你的能力
- 你是一名軟體開發人員，希望為機器學習演算法在營運系統中的部署打下堅實基礎。
- 你是一名資料科學家，希望加強對你的專業學科的核心科目的理解
- 你是一名資料分析師或人工智慧愛好者，希望成為一名資料科學家或資料/機器學習工程師，因此你渴望從頭開始深入瞭解你要進入的領域（你非常明智！）。
講師簡介
Dr Jon Krohn 首席資料科學家和排名第一的暢銷書作者
Jon Krohn是機器學習公司 untapt 的首席資料科學家。他撰寫了《深度學習圖解》一書，該書一經出版即成為第一暢銷書，被翻譯成六種語言。
Jon 因其引人注目的講座而聞名，他在哥倫比亞大學和紐約大學親自授課，並透過O’Reilly和SuperDataScience播客進行線上授課。
他擁有牛津大學的博士學位，自2010年以來一直在領先的學術期刊上發表機器學習方面的文章；他的論文已被引用超過一千次。
Ligency Team 幫助資料科學家獲得成功
你們好。
我們是Ligency的公關和行銷團隊。當新課程釋出時，當我們釋出新的播客、部落格、分享 cheatsheets等時，你將會聽到我們的聲音
我們在這裡幫助你保持在資料科學和技術的最尖端。
在課堂上見。
真誠的。
Ligency的真實人物
英文字幕：有
- 想要了解如何將英文字幕自動翻譯成中文? 請參考這篇 How-To
報名參加課程｜ 更新 coupon code
也許你會有興趣
- 機器學習( Machine Learning )學習地圖
- ★英語學習地圖 – 練好英文是最大的學習槓桿
- 如何找工作學習地圖 – 找工作不要靠運氣！
✍ 搜尋結果太多？可參考 Soft & Share 搜尋引擎使用技巧