Newly updated for 2024! Mathematics for Machine Learning and Data Science is a foundational online program created by DeepLearning.AI and taught by Luis Serrano. In machine learning, you apply math concepts through programming. And so, in this specialization, you’ll apply the math concepts you learn using Python programming in hands-on lab exercises. As a learner in this program, you'll need basic to intermediate Python programming skills to be successful.
Linear Algebra for Machine Learning and Data Science
Linear Algebra for Machine Learning and Data Science
Ce cours fait partie de Spécialisation Mathematics for Machine Learning and Data Science
Instructeur : Luis Serrano
132 395 déjà inscrits
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.6
(1,730 avis)
niveau Intermédiaire
Expérience recommandée
Planning flexible
Env. 34 heures
Apprenez à votre propre rythme
94%
La plupart des apprenants ont aimé ce cours
Ce que vous apprendrez
Represent data as vectors and matrices and identify their properties using concepts of singularity, rank, and linear independence
Apply common vector and matrix algebra operations like dot product, inverse, and determinants
Express certain types of matrix operations as linear transformation, and apply concepts of eigenvalues and eigenvectors to machine learning problems
Compétences que vous acquerrez
- Catégorie : Eigenvalues And Eigenvectors
- Catégorie : Linear Equation
- Catégorie : Determinants
- Catégorie : Machine Learning
- Catégorie : Linear Algebra
Détails à connaître
Certificat partageable
Ajouter à votre profil LinkedIn
Évaluations
8 quizzes, 1 devoir
Enseigné en Anglais
Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées
Élaborez votre expertise du sujet
Ce cours fait partie de la Spécialisation Mathematics for Machine Learning and Data Science
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
- Apprenez de nouveaux concepts auprès d'experts du secteur
- Acquérez une compréhension de base d'un sujet ou d'un outil
- Développez des compétences professionnelles avec des projets pratiques
- Obtenez un certificat professionnel partageable
Obtenez un certificat professionnel
Ajoutez cette qualification à votre profil LinkedIn ou à votre CV
Partagez-le sur les réseaux sociaux et dans votre évaluation de performance
Il y a 4 modules dans ce cours
Matrices are commonly used in machine learning and data science to represent data and its transformations. In this week, you will learn how matrices naturally arise from systems of equations and how certain matrix properties can be thought in terms of operations on system of equations.
Inclus
14 vidéos8 lectures3 quizzes1 élément d'application2 laboratoires non notés
In this week, you will learn how to solve a system of linear equations using the elimination method and the row echelon form. You will also learn about an important property of a matrix: the rank. The concept of the rank of a matrix is useful in computer vision for compressing images.
Inclus
12 vidéos5 lectures2 quizzes1 devoir de programmation1 laboratoire non noté
An individual instance (observation) of data is typically represented as a vector in machine learning. In this week, you will learn about properties and operations of vectors. You will also learn about linear transformations, matrix inverse, and one of the most important operations on matrices: the matrix multiplication. You will see how matrix multiplication naturally arises from composition of linear transformations. Finally, you will learn how to apply some of the properties of matrices and vectors that you have learned so far to neural networks.
Inclus
14 vidéos3 lectures1 quiz1 devoir1 devoir de programmation3 laboratoires non notés
In this final week, you will take a deeper look at determinants. You will learn how determinants can be geometrically interpreted as an area and how to calculate determinant of product and inverse of matrices. We conclude this course with eigenvalues and eigenvectors. Eigenvectors are used in dimensionality reduction in machine learning. You will see how eigenvectors naturally follow from the concept of eigenbases.
Inclus
20 vidéos7 lectures2 quizzes1 devoir de programmation1 laboratoire non noté
Instructeur
Évaluations de l’enseignant
4.7 (591 évaluations)Offert par
Recommandé si vous êtes intéressé(e) par Algorithms
Duke University
New York University
Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?
Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’
Avis des étudiants
Affichage de 3 sur 1730
4.6
1 730 avis
- 5 stars
72,20 %
- 4 stars
18,72 %
- 3 stars
4,33 %
- 2 stars
2,22 %
- 1 star
2,51 %
Ouvrez de nouvelles portes avec Coursera Plus
Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, tous inclus dans votre abonnement
Faites progresser votre carrière avec un diplôme en ligne
Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne
Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires
Améliorez les compétences de vos employés pour exceller dans l’économie numérique
Foire Aux Questions
This is a beginner-friendly course, aiming to teach the concepts covered with minimal background knowledge necessary. If you're familiar with the concepts of linear algebra, you'll find this course a good review for the next course in the specialization, Calculus for Machine Learning and Data Science.
Yes! We want to break down the barriers that hold people back from advancing their math skills. In this course, we flip the traditional mathematics pedagogy for teaching math, starting with the real world use-cases and working back to theory.
Most people who are good at math simply have more practice doing math, and through that, more comfort with the mindset needed to be successful. This course is the perfect place to start or advance those fundamental skills, and build the mindset required to be good at math.
Linear algebra (matrices, vectors, and their applications)