Dieser Kurs bietet eine kurze Einführung in die multivariate Kalkulation, die für viele gängige Techniken des maschinellen Lernens erforderlich ist. Wir beginnen ganz am Anfang mit einer Auffrischung der "Anstieg-über-Lauf"-Formulierung einer Steigung, bevor wir diese in die formale Definition des Gradienten einer Funktion umwandeln. Dann beginnen wir mit dem Aufbau einer Reihe von Werkzeugen, die das Rechnen einfacher und schneller machen. Als Nächstes lernen wir, wie man Vektoren berechnet, die auf mehrdimensionalen Flächen bergauf zeigen, und setzen dies sogar mit Hilfe eines interaktiven Spiels in die Tat um. Wir sehen uns an, wie wir mit Hilfe der Infinitesimalrechnung Näherungen für Funktionen erstellen können und wie genau wir diese Näherungen einschätzen können. Wir sprechen auch darüber, wo die Infinitesimalrechnung beim Training neuronaler Netze zum Einsatz kommt, bevor wir Ihnen schließlich zeigen, wie sie bei linearen Regressionsmodellen angewendet wird. Dieser Kurs soll Ihnen ein intuitives Verständnis der Infinitesimalrechnung vermitteln, aber auch die Sprache, die Sie brauchen, um Konzepte selbst nachzuschlagen, wenn Sie nicht weiterkommen. Wir hoffen, dass Sie, ohne zu sehr ins Detail zu gehen, das nötige Selbstvertrauen mitnehmen, um in Zukunft in Kurse zum maschinellen Lernen einzutauchen, die sich stärker auf dieses Thema konzentrieren.
Mathematik für maschinelles Lernen: Multivariate Kalkulation
Dieser Kurs ist Teil von Spezialisierung Mathematik für maschinelles Lernen
Dozenten: Samuel J. Cooper
142.954 bereits angemeldet
Bei enthalten
(5,635 Bewertungen)
Kompetenzen, die Sie erwerben
- Kategorie: Lineare Regression
- Kategorie: Vektorielle Berechnung
- Kategorie: Multivariable Kalkulation
- Kategorie: Gradienter Abstieg
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
25 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erweitern Sie Ihre Fachkenntnisse
- Lernen Sie neue Konzepte von Branchenexperten
- Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
- Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
- Erwerben Sie ein Berufszertifikat zur Vorlage
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 6 Module
Das Verständnis der Infinitesimalrechnung ist von zentraler Bedeutung für das Verständnis des maschinellen Lernens! Sie können sich die Infinitesimalrechnung einfach als eine Reihe von Werkzeugen zur Analyse der Beziehung zwischen Funktionen und ihren Eingaben vorstellen. Beim maschinellen Lernen versuchen wir oft, die Eingaben zu finden, mit denen eine Funktion am besten zu den Daten passt. Wir beginnen dieses Modul mit den Grundlagen, indem wir uns daran erinnern, was eine Funktion ist und wo wir ihr begegnen könnten. Anschließend sprechen wir darüber, wie beim Skizzieren einer Funktion in einem Diagramm die Steigung die Änderungsrate der Ausgabe in Bezug auf eine Eingabe beschreibt. Anhand dieser visuellen Intuition leiten wir als nächstes eine robuste mathematische Definition einer Ableitung ab, die wir dann zur Differenzierung einiger interessanter Funktionen verwenden. Schließlich entwickeln wir anhand einiger Beispiele vier praktische, zeitsparende Regeln, mit denen wir die Differenzierung für viele gängige Szenarien beschleunigen können.
Das ist alles enthalten
10 Videos4 Lektüren6 Aufgaben1 Diskussionsthema1 Plug-in
Aufbauend auf den Grundlagen des vorigen Moduls verallgemeinern wir nun unsere Kalkulationswerkzeuge, um multivariable Systeme zu behandeln. Das bedeutet, dass wir eine Funktion mit mehreren Eingaben nehmen und den Einfluss jeder dieser Eingaben separat bestimmen können. Es wäre nicht ungewöhnlich, wenn eine Methode des maschinellen Lernens die Analyse einer Funktion mit Tausenden von Eingaben erfordern würde. Daher werden wir auch die Strukturen der linearen Algebra einführen, die für die geordnete Speicherung der Ergebnisse unserer multivariaten Kalkülanalyse erforderlich sind.
Das ist alles enthalten
9 Videos5 Aufgaben2 Unbewertete Labore
Nachdem wir gesehen haben, dass die multivariate Kalkulation nicht wirklich komplizierter ist als der univariate Fall, konzentrieren wir uns nun auf Anwendungen der Kettenregel. Neuronale Netzwerke sind eine der beliebtesten und erfolgreichsten konzeptionellen Strukturen im maschinellen Lernen. Sie bestehen aus einem zusammenhängenden Netz von Neuronen und sind von der Struktur biologischer Gehirne inspiriert. Das Verhalten jedes Neurons wird durch eine Reihe von Kontrollparametern beeinflusst, von denen jeder einzelne optimiert werden muss, um den Daten bestmöglich zu entsprechen. Mit der multivariaten Kettenregel kann der Einfluss jedes Parameters der Netzwerke berechnet werden, so dass sie während des Trainings aktualisiert werden können.
Das ist alles enthalten
6 Videos3 Aufgaben1 Programmieraufgabe1 Diskussionsthema1 Unbewertetes Labor
Die Taylor-Reihe ist eine Methode, um Funktionen als Polynomreihen auszudrücken. Dieser Ansatz ist der Grund für die Verwendung einfacher linearer Approximationen für komplizierte Funktionen. In diesem Modul werden wir den formalen Ausdruck für die univariate Taylor-Reihe herleiten und einige wichtige Konsequenzen dieses Ergebnisses diskutieren, die für das maschinelle Lernen relevant sind. Schließlich werden wir den multivariaten Fall diskutieren und sehen, wie die Jacobi und die Hessian ins Spiel kommen.
Das ist alles enthalten
9 Videos5 Aufgaben1 Plug-in
Wenn wir die Minimal- und Maximalpunkte einer Funktion finden wollen, können wir dazu die multivariate Kalkulation verwenden, z.B. um die Parameter (den Raum) einer Funktion zu optimieren, die zu einigen Daten passt. Zunächst werden wir dies in einer Dimension tun und den Gradienten verwenden, um zu schätzen, wo die Nullpunkte der Funktion liegen, und dann mit der Newton-Raphson-Methode iterieren. Dann werden wir die Idee auf mehrere Dimensionen ausdehnen, indem wir den Gradientenvektor, Grad, finden, der der Vektor der Jacobi ist. Auf diese Weise können wir mit der so genannten Gradientenabstiegsmethode zu den Minima und Maxima vordringen. Wir werden uns dann einen Moment Zeit nehmen, um Grad zu verwenden, um die Minima und Maxima entlang einer Beschränkung im Raum zu finden, was die Methode der Lagrange-Multiplikatoren ist.
Das ist alles enthalten
4 Videos4 Aufgaben1 Diskussionsthema1 Unbewertetes Labor
Um die Anpassungsparameter einer Anpassungsfunktion auf die beste Anpassung für einige Daten zu optimieren, brauchen wir eine Möglichkeit, um zu definieren, wie gut unsere Anpassung ist. Diese Anpassungsgüte wird als Chi-Quadrat bezeichnet, das wir zunächst auf die Anpassung einer geraden Linie - die lineare Regression - anwenden werden. Dann sehen wir uns an, wie wir unsere Anpassungsfunktion unter Verwendung von chi-Quadrat im allgemeinen Fall mit der Methode des Gradientenabstiegs optimieren können. Zum Abschluss des Kurses werden wir uns ansehen, wie Sie dies in Python mit nur wenigen Zeilen Code ganz einfach umsetzen können.
Das ist alles enthalten
4 Videos1 Lektüre2 Aufgaben1 Programmieraufgabe1 Unbewertetes Labor1 Plug-in
Dozenten
Empfohlen, wenn Sie sich für Mathematik und Logik interessieren
DeepLearning.AI
Vanderbilt University
Johns Hopkins University
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
Zeigt 3 von 5635
5.635 Bewertungen
- 5 stars
77,08 %
- 4 stars
18,81 %
- 3 stars
3,10 %
- 2 stars
0,63 %
- 1 star
0,35 %
Geprüft am 25. Nov. 2018
Geprüft am 23. Juli 2020
Geprüft am 3. Aug. 2019
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.