Russian Courses
Бесплатно

Линейная алгебра для машинного обучения и науки о данных (Курс 1)

Превью: 1.1. Введение в специализацию

Зарегистрируйтесь для доступа ко всем 60 урокам курса.

Регистрация Войти

Выберите урок для просмотра

Содержание курса

Хотите смотреть этот курс?

Зарегистрируйтесь бесплатно, чтобы получить доступ ко всем урокам этого курса.

Регистрация Уже есть аккаунт? Войти

  • 1. 1.1. Введение в специализацию

  • 2. 1.2. Введение в курс

  • 3. 1.3. Чего ожидать и как добиться успеха

  • 4. 1.4. Замечания по опыту программирования

  • 5. 1.7. Применение линейной алгебры I

  • 6. 1.8. Линейная алгебра на практике II

  • 7. 1.10. Система предложений

  • 8. 1.11. Система уравнений

  • 9. 1.12. Системы уравнений как линии и плоскости

  • 10. 1.15. Геометрическое понятие сингулярности

  • 11. 1.16. Сингулярные и несингулярные матрицы

  • 12. 1.18. Линейная зависимость и независимость

  • 13. 1.19. Определитель

  • 14. 1.25. Заключение

  • 15. 2.2. Решение невырожденных систем линейных уравнений

  • 16. 2.3. Решение сингулярных систем линейных уравнений

  • 17. 2.4. Решение систем уравнений с большим числом переменных

  • 18. 2.6. Приведение матрицы к строковому виду

  • 19. 2.7. Операции над строками, сохраняющие сингулярность

  • 20. 2.10. Ранг матрицы

  • 21. 2.11. Ранг матрицы в общем случае

  • 22. 2.12. Ступенчатая форма матрицы

  • 23. 2.13. Общий вид ступенчатой формы

  • 24. 2.14. Ступенчатый вид матрицы

  • 25. 2.15. Алгоритм Гауссова исключения

  • 26. 2.20. Заключение

  • 27. 3.1. Введение в неделю 3

  • 28. 3.3. Векторы и их свойства

  • 29. 3.4. Операции с векторами

  • 30. 3.5. Скалярное произведение

  • 31. 3.6. Геометрическое скалярное произведение

  • 32. 3.7. Умножение матрицы на вектор

  • 33. 3.10. Матрицы как линейные преобразования

  • 34. 3.11. Линейные преобразования как матрицы

  • 35. 3.13. Умножение матриц

  • 36. 3.14. Матрица идентичности

  • 37. 3.15. Обратная матрица

  • 38. 3.16. У каких матриц есть обратная

  • 39. 3.17. Нейронные сети и матрицы

  • 40. 3.22. Заключение

  • 41. 4.1. Введение в неделю 4

  • 42. 4.3. Сингулярность и ранг линейных преобразований

  • 43. 4.4. Определитель как площадь

  • 44. 4.5. Определитель произведения

  • 45. 4.6. Определитель обратной матрицы

  • 46. 4.8. Основы

  • 47. 4.9. Span

  • 48. 4.11. Собственный базис

  • 49. 4.12. Собственные значения и собственные векторы

  • 50. 4.13. Расчёт собственных значений и собственных векторов

  • 51. 4.14. О количестве собственных векторов

  • 52. 4.15. Снижение размерности и проекция

  • 53. 4.16. Мотивация использования PCA

  • 54. 4.17. Дисперсия и ковариация

  • 55. 4.18. Ковариационная матрица

  • 56. 4.19. Обзор PCA

  • 57. 4.20. PCA: Почему это работает

  • 58. 4.21. PCA Матhematical Formula

  • 59. 4.22. Дискретные динамические системы

  • 60. 4.26. Заключение

Скачать курс по Машинное обучение. Линейная алгебра для машинного обучения и науки о данных (Курс 1)

Нужен архив курса целиком?

Мы отправим ссылку на полный архив с оригиналом, переводом и материалами. Просто напишите администратору info@russiancourses.net и укажите, что именно нужно (можем поделиться вариантами отдельно).

Пропущены номера уроков?

Если в нумерации есть паузы, значит часть занятий текстовые или в виде файлов. Их можно найти в разделе «Материалы курса»: скачайте архив, чтобы получить все конспекты и дополнительные задания.

Категория

Машинное обучение

Длительность

4 ч 40 мин

Уроки

60 уроков

О курсе

Освойте основы линейной алгебры, лежащие в основе машинного обучения и анализа данных 📊

Linear Algebra for Machine Learning and Data Science — это первый курс специальной программы Mathematics for Machine Learning and Data Science от DeepLearning.AI. Он создан, чтобы помочь инженерам и аналитикам понять, как математика работает под капотом алгоритмов машинного обучения.
Вы научитесь:

  • 📐 Представлять данные в виде векторов и матриц и определять их свойства — сингулярность, ранг и линейную независимость
  • 🧮 Применять базовые операции линейной алгебры — скалярное произведение, обратные матрицы и определители
  • 🔁 Интерпретировать матричные операции как линейные преобразования
  • 💡 Использовать собственные значения и собственные векторы для решения задач машинного обучения
Вы приобретёте навыки в:

  • 🧠 Математическом моделировании
  • 📉 Снижении размерности данных
  • 🔢 Применении математики на практике
  • 🐍 Программировании на Python и работе с библиотекой NumPy
  • 📊 Методы машинного обучения и обработка данных
Почему стоит пройти этот курс:

Многие специалисты в области машинного обучения сталкиваются с трудностями из-за нехватки математической подготовки. Этот курс использует интуитивный и визуальный подход, позволяющий быстро и понятно освоить ключевые математические принципы, применяемые в реальных ML-задачах.
После прохождения курса вы сможете:

  • 🧩 Работать с векторами и матрицами, применять их к анализу данных
  • ⚙️ Реализовывать линейные преобразования в коде
  • 📈 Применять концепции собственных значений и векторов для анализа и моделирования
  • 🧮 Уверенно использовать Python для решения задач машинного обучения
Курс включает:

  • 🎓 4 модуля обучения, обновлённых в 2024 году
  • 💻 Практические лабораторные задания в Python
  • 🧠 Пошаговые визуализации, объясняющие математику наглядно
  • 📜 Финальный сертификат, подтверждающий ваши навыки
Рекомендуется: иметь базовые знания школьной алгебры (функции, уравнения) и базовый опыт программирования (циклы, условия, структуры данных).
Итог: после курса вы получите прочное математическое основание для дальнейшего изучения машинного обучения и анализа данных, а также научитесь применять линейную алгебру на практике при работе с ML-моделями и наборами данных.

Источник

Открыть источник
Назад к бесплатным курсам