Neu aktualisiert fĂźr 2024! Mathematik fĂźr maschinelles Lernen und Datenwissenschaft ist ein grundlegendes Online-Programm, das von DeepLearning.AI entwickelt und von Luis Serrano unterrichtet wird. Beim maschinellen Lernen wenden Sie mathematische Konzepte durch Programmierung an. In dieser Spezialisierung werden Sie die mathematischen Konzepte, die Sie mit Hilfe der Python-Programmierung erlernen, in praktischen LaborĂźbungen anwenden. Als Teilnehmer an diesem Programm benĂśtigen Sie grundlegende bis mittlere Python-Programmierkenntnisse, um erfolgreich zu sein.
Viele Machine-Learning-Ingenieure und Datenwissenschaftler brauchen Hilfe bei der Mathematik, und selbst erfahrene Praktiker kÜnnen sich durch mangelnde Mathematikkenntnisse behindert fßhlen. Diese Spezialisierung nutzt innovative Pädagogik in der Mathematik, um Ihnen zu helfen, schnell und intuitiv zu lernen, mit Kursen, die leicht verständliche Visualisierungen verwenden, um Ihnen zu zeigen, wie die Mathematik hinter dem maschinellen Lernen tatsächlich funktioniert.
Wir empfehlen, dass Sie Ăźber Mathematikkenntnisse auf High-School-Niveau (Funktionen, grundlegende Algebra) verfĂźgen und mit der Programmierung vertraut sind (Datenstrukturen, Schleifen, Funktionen, bedingte Anweisungen, Debugging). Die Aufgaben und Ăbungen sind in Python geschrieben, aber der Kurs stellt alle Bibliotheken fĂźr maschinelles Lernen vor, die Sie verwenden werden.
Praktisches Lernprojekt
Am Ende dieser Specialization werden Sie in der Lage sein:
Daten als Vektoren und Matrizen darzustellen und deren Eigenschaften wie Singularität, Rang und lineare Unabhängigkeit zu erkennen
Gemeinsame Vektor- und Matrix-Algebra-Operationen wie das Punktprodukt, die Umkehrung und Determinanten anzuwenden
Matrixoperationen als lineare Transformationen ausdrĂźcken
Anwendung der Konzepte von Eigenwerten und Eigenvektoren auf Probleme des Maschinellen Lernens, einschlieĂlich der Hauptkomponentenanalyse (PCA)
Optimieren Sie verschiedene Arten von Funktionen, die beim maschinellen Lernen verwendet werden
FĂźhren Sie Gradientenverfahren in neuronalen Netzwerken mit verschiedenen Aktivierungs- und Kostenfunktionen durch
Identifizieren Sie die Merkmale von häufig verwendeten Wahrscheinlichkeitsverteilungen
Explorative Datenanalyse durchfĂźhren, um Muster in einem Datensatz zu finden, zu validieren und zu quantifizieren
Quantifizieren Sie die Unsicherheit von Vorhersagen, die von Modellen des Maschinellen Lernens gemacht werden, indem Sie Konfidenzintervalle, Fehlermargen, P-Werte und Hypothesentests verwenden.
Wenden Sie gängige statistische Methoden wie Maximum-Likelihood-Schätzung (MLE) und MAP an
