Mathematical Foundations of Machine Learning

必备线性代数和微积分实战教程：NumPy、TensorFlow 和 PyTorch 实操演练

讲师:Dr Jon Krohn, SuperDataScience Team, Ligency ​

您将学到什么

• 掌握线性代数和微积分的基础知识，这两门数学学科是所有机器学习和数据科学领域的基石。
• 使用三种最重要的 Python 张量库：NumPy、TensorFlow 和 PyTorch 操作张量
• 如何应用所有用于机器学习和数据科学的必备向量和矩阵运算
• 利用特征向量、奇异值分解（SVD）和主成分分析（PCA）将复杂数据降维至最具有信息量的元素。
• 使用简单技巧（如消元法）和高级技巧（如伪逆矩阵）解决未知数问题
• 从第一性原理出发，通过 Python 的交互式代码演示来理解微积分的工作原理
• 深入理解高级求导规则，如链式法则
• 手动计算机器学习成本函数的偏导数，以及使用 TensorFlow 和 PyTorch 进行计算
• 掌握梯度的真正含义，并理解为什么梯度对于通过梯度下降实现机器学习至关重要。
• 使用积分学确定任意给定曲线下的面积
• 能够更深入地掌握前沿机器学习论文的细节
• 了解机器学习算法背后的原理，包括用于深度学习的算法

课程要求

• 所有代码演示都将使用 Python，因此具备 Python 或其他面向对象编程语言的经验将有助于您跟上实战示例的进度。
• 具备中学水平的数学知识将有助于更好地跟上课程进度。如果你能够熟练处理定量信息——例如理解图表和重新排列简单方程式——那么你应该已经准备好应对所有数学内容了。

课程描述

数学构成了数据科学和机器学习的核心。因此，要成为最好的数据科学家，你必须掌握与这些领域最相关的数学知识。
得益于像 Scikit-learn 和 Keras 这样的高级库，开始从事数据科学研究变得非常容易。
但是，理解这些库中算法背后的数学原理将为你打开无限的可能性。从识别建模问题到发明新的和更强大的解决方案，深入理解所有这一切的数学基础可以显著提升你在职业生涯中的影响力。
本课程由深度学习专家 Jon Krohn 博士主讲，旨在帮助你掌握支撑机器学习算法和数据科学模型的核心数学知识——线性代数和微积分。
课程章节
线性代数数据结构
张量运算
矩阵属性
特征向量与特征值
用于机器学习的矩阵操作
极限
导数与求导法则
自动微分
偏导数微积分
积分微积分
在每个章节中，你将找到大量的动手练习、Python 代码演示和实用练习，帮助你在数学方面达到最佳状态！
这门《机器学习的数学基础》课程已经非常完整了，但未来我们计划增加更多与数学相关的其他主题的内容，包括概率论、统计学、数据结构、算法以及优化。现在报名还包括免费无限期访问所有未来的课程内容——总计超过 25 小时。
你准备好成为一名杰出的数据科学家了吗？期待在课堂上见到你。

本课程适合谁:

• 你使用高级软件库（例如 scikit-learn、Keras、TensorFlow）来训练或部署机器学习算法，现在希望理解这些抽象背后的原理，从而扩展你的能力。
• 你是一名软件开发人员，希望为将机器学习算法部署到生产系统打下坚实的基础。
• 你是一位数据科学家，希望巩固自己专业领域核心主题的理解。
• 你是一名数据分析师或人工智能爱好者，希望成为一名数据科学家或数据/机器学习工程师，因此你渴望从基础开始深入了解即将进入的领域（这真是明智的选择！）