Bei vielen Kursen auf höherem Niveau in den Bereichen Maschinelles Lernen und Datenwissenschaft müssen Sie die Grundlagen der Mathematik auffrischen. Vielleicht haben Sie schon einmal in der Schule oder an der Universität Mathematik studiert, die aber in einem anderen Kontext oder nicht sehr intuitiv gelehrt wurde, so dass Sie Schwierigkeiten haben, sie mit der Anwendung in der Informatik in Verbindung zu bringen. Diese Spezialisierung zielt darauf ab, diese Lücke zu schließen, indem Sie die zugrundeliegende Mathematik auf Vordermann bringen, ein intuitives Verständnis aufbauen und sie mit maschinellem Lernen und Data Science in Verbindung bringen.

Im ersten Kurs über Lineare Algebra sehen wir uns an, was Lineare Algebra ist und wie sie sich auf Daten bezieht. Dann sehen wir uns an, was Vektoren und Matrizen sind und wie man mit ihnen arbeitet.

Der zweite Kurs, Multivariate Kalkulation, baut darauf auf und befasst sich mit der Optimierung von Anpassungsfunktionen, um gute Anpassungen an Daten zu erhalten. Er beginnt mit einführenden Berechnungen und verwendet dann die Matrizen und Vektoren aus dem ersten Kurs, um die Anpassung von Daten zu untersuchen.

Der dritte Kurs, Dimensionalitätsreduktion mit Hauptkomponentenanalyse, verwendet die Mathematik aus den ersten beiden Kursen, um hochdimensionale Daten zu komprimieren. Dieser Kurs ist von mittlerem Schwierigkeitsgrad und setzt Python- und Numpy-Kenntnisse voraus.

Am Ende dieser Spezialisierung haben Sie die erforderlichen mathematischen Kenntnisse erworben, um Ihre Reise fortzusetzen und fortgeschrittenere Kurse zum maschinellen Lernen zu belegen.

Praktisches Lernprojekt

In den Aufgaben dieser Spezialisierung werden Sie die erlernten Fähigkeiten nutzen, um Miniprojekte mit Python auf interaktiven Notebooks zu erstellen, einem leicht zu erlernenden Tool, das Ihnen helfen wird, das Wissen auf reale Probleme anzuwenden. So können Sie z.B. mit Hilfe der linearen Algebra den Page Rank eines kleinen simulierten Internets berechnen, die multivariate Kalkulation anwenden, um Ihr eigenes neuronales Netzwerk zu trainieren, eine nicht-lineare Regression der kleinsten Quadrate durchführen, um ein Modell an einen Datensatz anzupassen, und die Hauptkomponentenanalyse verwenden, um die Merkmale des MNIST-Datensatzes zu bestimmen.