Les fondements théoriques et pratiques de l’apprentissage automatique. Matrices principales, algèbre linéaire et tenseurs en Python
Fondations de la science des données
Créé par Dr Jon Krohn, équipe SuperDataScience
Ce que vous allez apprendre
Comprendre les principes fondamentaux de l’algèbre linéaire, une approche omniprésente pour résoudre des inconnues dans des espaces de haute dimension.
Manipulez les tenseurs à l’aide des bibliothèques de tenseurs Python les plus importantes: NumPy, TensorFlow et PyTorch
Posséder une compréhension approfondie des matrices, y compris de leurs propriétés, des classes clés et des opérations critiques de ML
Développez une intuition géométrique de ce qui se passe sous le capot du ML et des algorithmes d’apprentissage en profondeur.
Être capable d’appréhender plus intimement les détails des papiers d’apprentissage automatique de pointe
Exigences
Toutes les démos de code seront en Python, donc une expérience avec lui ou un autre langage de programmation orienté objet serait utile pour suivre les exemples pratiques.
La connaissance des mathématiques de niveau secondaire rendra la classe plus facile à suivre. Si vous êtes à l’aise avec des informations quantitatives – telles que la compréhension de graphiques et la réorganisation d’équations simples – alors vous devez être bien préparé pour suivre toutes les mathématiques.
Pour être un bon data scientist pour les fondations de la science des données, vous devez savoir comment utiliser les bibliothèques et algorithmes de science des données et d’apprentissage automatique, tels que NumPy, TensorFlow et PyTorch, pour résoudre le problème que vous avez sous la main.
Pour être un excellent data scientist, vous devez savoir comment ces bibliothèques et algorithmes fonctionnent sous le capot.
C’est là que notre cours « Apprentissage automatique & Masterclass Fondations Data Science»Entre en jeu. Dirigée par le gourou de l’apprentissage profond, le Dr Jon Krohn, cette première entrée dans le Fondations de l’apprentissage automatique La série vous donnera les bases des mathématiques telles que l’algèbre linéaire, les matrices et la manipulation des tenseurs, qui fonctionnent derrière les bibliothèques Python les plus importantes et les algorithmes d’apprentissage automatique et de science des données.
Fondations de la science des données
La première étape de votre parcours pour devenir un excellent data scientist se décompose comme suit:
- Section 1: Structures de données d’algèbre linéaire
- Section 2: Opérations Tensor
- Section 3: Propriétés de la matrice
Bien que les trois sections ci-dessus constituent un cours autonome à elles seules, nous ne nous arrêtons pas là! Nous filmons actuellement du contenu supplémentaire d’algèbre linéaire de niveau intermédiaire (section 4 sur Vecteurs propres et valeurs propres et la section 5 sur Opérations matricielles pour l’apprentissage automatique) et visent à le publier en 2020. En 2021, nous publierons toutes les sections restantes de la version complète Fondations de l’apprentissage automatique série, qui couvre non seulement l’algèbre linéaire, mais aussi le calcul, les probabilités, les statistiques, les algorithmes, les structures de données et l’optimisation. L’inscription comprend désormais un accès gratuit et illimité à tout ce futur contenu de cours – plus de 25 heures au total.
Dans chacune des sections, vous trouverez de nombreux devoirs et exercices pratiques pour mettre à jour votre jeu de mathématiques!
Êtes-vous prêt à devenir un excellent data scientist? Rendez-vous dans la classe.
À qui s’adresse ce cours:
- Vous utilisez des bibliothèques logicielles de haut niveau (par exemple, scikit-learn, Keras, TensorFlow) pour former ou déployer des algorithmes d’apprentissage automatique, et vous souhaitez maintenant comprendre les principes fondamentaux sous-jacents aux abstractions, vous permettant d’étendre vos capacités
- Vous êtes un développeur de logiciels et souhaitez développer une base solide pour le déploiement d’algorithmes d’apprentissage automatique dans les systèmes de production
- Vous êtes un data scientist et souhaitez renforcer votre compréhension des sujets au cœur de votre discipline professionnelle
- Vous êtes un analyste de données ou A.I. passionné qui aimerait devenir data scientist ou data / ML engineer, et vous êtes donc désireux de comprendre profondément le domaine dans lequel vous entrez de A à Z (très sage de votre part!)
Taille: 1,02 Go
Sites Web conviviaux
