Contents
關於課程
在這個適合初學者的課程中，全面了解機器學習和資料科學背後的數學原理。 加深你的微積分、線性代數、統計學和機率知識，增強你的資料分析技能並學習該領域雇主所需的基本能力。
在本課程中，你將學習：
- 對機器學習演算法發揮作用的數學有深刻的理解。
- 統計技術使你能夠從資料分析中獲得更多收益。
- 雇主想要的基本技能，幫助你解決機器學習面試問題並找到夢想的工作。
你將獲得的技能
| 貝葉斯統計 | 機器學習 | 數學 |
| 機率 | 線性迴歸 |
專項課程 – 3 課程系列
機器學習和資料科學數學是由 DeepLearning.AI 創建並由 Luis Serrano 教授的基礎在線課程。 在這個適合初學者的專業化課程中，你將掌握機器學習的基礎數學工具包。
許多機器學習工程師和資料科學家需要數學方面的幫助，即使是經驗豐富的從業者也會因缺乏數學技能而感到受阻。 該專業化使用創新的數學教學法來幫助你快速直觀地學習，課程使用易於理解的外掛和視覺化來幫助你了解機器學習背後的數學實際上是如何運作的。
這是一個適合初學者的課程，建議至少具有高中數學背景。 我們還建議你對 Python 有基本的了解，因為實驗室使用 Python 在最適用於機器學習和資料科學的環境中演示學習目標。
應用的學習專案
在本專業課程結束時，你將準備好：
- 將資料表示為向量和矩陣，並使用奇異性、秩和線性獨立性的概念來識別其屬性
- 應用常見的向量和矩陣代數運算，例如點積、逆矩陣和行列式
- 將某些類型的矩陣運算表示為線性變換
- 將特徵值和特徵向量的概念應用於機器學習問題
- 優化機器學習中常用的不同類型函數
- 在具有不同激活和成本函數的神經網絡中執行梯度下降
- 描述和量化機器學習模型預測中固有的不確定性
- 了解機器學習和數據科學中常用機率分佈的屬性
- 應用 MLE 和 MAP 等常見統計方法
- 使用區間估計和誤差幅度評估機器學習模型的性能
- 應用統計假設檢驗的概念
到官方網站了解本課程與上課
製作方
deeplearning.ai 是 Andrew Ng 的新企業，包括許多努力提供超越國界的全面 AI 教育者。( 更多 Andrew Ng 主講課程 )
第 1 門課 機器學習和資料科學的線性代數
你將學到什麼
- 將資料表示為向量和矩陣，並使用奇異性( singularity )、秩( rank )和線性獨立性( linear independence )的概念來識別其屬性
- 應用常見的向量和矩陣代數運算，例如點積( dot product )、逆矩陣( inverse )和行列式( determinants )
- 將某些類型的矩陣運算表示為線性變換，並將特徵值( eigenvalues )和特徵向量( eigenvectors )的概念應用於機器學習問題
你將獲得的技能
| 機器學習 | 線性方程 | 特徵值和特徵向量 |
| 線性代數 | 行列式 |
第 2 門課 機器學習和資料科學的微積分
你將學到什麼
- 使用導數和梯度的屬性分析優化機器學習中常用的不同類型的函數
- 近似優化機器學習中常用的不同類型的函數
- 直觀地解釋機器學習中常用的不同類型函數的差異
- 在具有不同激活和成本函數的神經網路中執行梯度下降
你將獲得的技能
| 微積分 | 數學最佳化 | 梯度下降 |
| 機器學習 | 牛頓方法 |
第 3 門課 機器學習和資料科學的機率與統計
你將學到什麼
- 描述和量化機器學習模型預測中固有的不確定性
- 直觀地了解機器學習和資料科學中常用機率分佈的屬性
- 將最大似然估計 (MLE) 和最大先驗估計 (MAP) 等常見統計方法應用於機器學習問題
- 使用區間估計和誤差幅度評估機器學習模型的性能
你將獲得的技能
| 統計分析 | 機率和統計 | 機率 |
| 統計假設測試 | 機器學習演算法 |
到官方網站了解本課程與上課
你可能會有興趣
- 更多機器學習相關線上課程介紹
- 更多 Andrew Ng 主講課程介紹
- ★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！
你必須登入才能發表留言。