Deep Learning Prerequisites: The Numpy Stack in Python (V2+)

Numpy、Scipy、Pandas 和 Matplotlib 技术栈：为深度学习、机器学习和人工智能做准备

讲师:Lazy Programmer Inc., Lazy Programmer Team

您将学到什么

• 通过实际案例使用 Scikit-Learn 理解监督机器学习（分类和回归）
• 掌握并使用 Numpy 堆栈编程
• 利用 Numpy、Scipy、Matplotlib 和 Pandas 实现数值算法
• 了解各种机器学习模型的优缺点，包括深度学习、决策树、随机森林、线性回归、提升算法等！
• 理解 OpenAI ChatGPT、GPT-4、DALL-E、Midjourney 和 Stable Diffusion 的重要基础

课程要求

• 掌握线性代数和高斯分布
• 熟练使用 Python 编程
• 你应该已经知道点积、矩阵求逆和高斯概率分布等概念为什么有用，以及它们可以应用于哪些场景。

课程描述

你是否想知道像 OpenAI 的 ChatGPT、GPT-4、DALL-E、Midjourney 和 Stable Diffusion 这样的人工智能技术究竟是如何工作的？在这门课程中，你将学习这些开创性应用的基础知识。
欢迎参加《深度学习、机器学习和数据科学基础：Python 中的 Numpy 堆栈》这门课程。
我经常收到的一个问题或顾虑是，人们想学习深度学习和数据科学，于是报名了相关课程，但因为不懂如何使用 Numpy 堆栈将这些概念转化为代码而感到困惑。即使我把所有代码都写出来，如果你不熟悉 Numpy，仍然很难理解。
本课程旨在消除这一障碍——向你展示在深度学习和数据科学中经常需要的 Numpy 堆栈操作方法。
那么具体有哪些内容呢？
Numpy：这是其他一切的基础。Numpy 中的核心对象是 Numpy 数组，在此基础上可以进行各种运算。关键在于，一个 Numpy 数组不仅仅是一个普通的数组（如 Java 或 C++ 语言中的数组），而更像是数学上的向量或矩阵。这意味着你可以执行向量和矩阵操作，比如加法、减法和乘法。
Numpy 数组最重要的特性是它们经过了优化以提高速度。我们将演示使用 Numpy 向量化操作比使用 Python 列表更快。
然后我们会看看一些更复杂的矩阵运算，例如矩阵乘积、逆矩阵、行列式以及求解线性系统。
Pandas：Pandas 很棒是因为它在幕后做了很多事情，这使得你的生活变得轻松，因为你不需要手动编写这些代码。Pandas 让处理数据集像使用 R 语言一样简单（如果你熟悉 R 的话）。R 和 Pandas 中的核心对象是 DataFrame。我们将看看使用 Pandas 加载数据集比手动加载要容易多少。
然后我们会看看一些在机器学习中常用的 DataFrame 操作，例如按列筛选、按行筛选以及 apply 函数。
Pandas 数据框会让你想起 SQL 表格，所以如果你有 SQL 背景并且喜欢处理表格的话，Pandas 将是你下一步应该学习的内容。
既然 Pandas 教会了我们如何加载数据，接下来的步骤就是查看这些数据。为此我们将使用 Matplotlib。
在这部分中，我们会介绍一些常见的图表类型，包括折线图、散点图和直方图。我们还将看看如何使用 Matplotlib 显示图像。
99% 的时间里，你都会用到上述某种类型的图表。
Scipy：我喜欢把 Scipy 视为 Numpy 的附加库。Numpy 提供了基本的构建模块，如向量、矩阵以及它们的操作，而 Scipy 则利用这些通用构建模块来执行特定任务。例如，Scipy 可以进行许多常见的统计计算，包括获取概率密度函数（PDF）值、累积分布函数（CDF）值、从分布中采样和统计测试。
它还具有信号处理工具，可以执行卷积和傅里叶变换等操作。
总之：
如果你已经学习过深度学习或机器学习课程，并且理解了理论知识，在看到代码时也能明白其含义，但不知道如何将这些算法转化为实际运行的代码，那么这门课程非常适合你。
“如果不能实现它，你就没有真正理解它。”
或者用伟大的物理学家理查德·费曼的话来说：“我无法创造的东西，我就不会真正理解。”
我的课程是唯一教你从零开始实现机器学习算法的课程。
其他课程会教你如何将数据插到库中，但你真的需要帮助来编写三行代码吗？
当你在十个不同的数据集上重复同样的操作后，你会发现你并没有学到十件不同的事情。你只学到了一件事，并且反复使用了相同的三行代码……
建议先修课程：
矩阵运算
概率论
Python 编程：if/else 语句、循环、列表、字典和集合
你应该已经知道点积、矩阵求逆以及高斯概率分布等概念为什么有用，它们可以用来做什么。
我该按什么顺序学习你的课程？
查看“机器学习与人工智能先修课程路线图”（在我的任何一门课程的 FAQ 中都可以找到）

本课程适合谁:

• 具有少量 NumPy 使用经验的学生和专业人士，计划日后学习深度学习和机器学习
• 尝试过机器学习和数据科学但难以将想法付诸代码的学生和专业人士