Imperial College London
Mathématiques pour l'apprentissage automatique : Calcul à plusieurs variables
Imperial College London

Mathématiques pour l'apprentissage automatique : Calcul à plusieurs variables

Samuel J. Cooper
David Dye
A. Freddie Page

Instructeurs : Samuel J. Cooper

142 479 déjà inscrits

Inclus dans le siteCoursera Plus

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7

(5,632 avis)

niveau Débutant
Aucune connaissance prérequise
Planning flexible
Env. 17 heures
Apprenez à votre propre rythme
91%
La plupart des apprenants ont aimé ce cours
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
4.7

(5,632 avis)

niveau Débutant
Aucune connaissance prérequise
Planning flexible
Env. 17 heures
Apprenez à votre propre rythme
91%
La plupart des apprenants ont aimé ce cours

Compétences que vous acquerrez

  • Catégorie : Régression linéaire
  • Catégorie : Calcul vectoriel
  • Catégorie : Calcul à plusieurs variables
  • Catégorie : Descente de gradient

Détails à connaître

Obtenez un certificat professionnel

Ajouter à votre profil LinkedIn

Évaluations

25 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

Emplacement réservé

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation Mathématiques pour l'apprentissage automatique
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
Emplacement réservé
Emplacement réservé

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

Emplacement réservé

Il y a 6 modules dans ce cours

Comprendre le calcul est essentiel pour comprendre l'apprentissage automatique ! Vous pouvez considérer le calcul comme un simple ensemble d'outils permettant d'analyser la relation entre les fonctions et leurs entrées. Souvent, dans l'apprentissage automatique, nous essayons de trouver les entrées qui permettent à une fonction de correspondre au mieux aux données. Nous commençons ce module par les bases, en rappelant ce qu'est une fonction et où nous pouvons en rencontrer une. Ensuite, nous expliquons comment, lorsque l'on dessine une fonction sur un graphique, la pente décrit le taux de changement de la sortie par rapport à une entrée. En utilisant cette intuition visuelle, nous déduisons ensuite une définition mathématique robuste de la dérivée, que nous utilisons ensuite pour différencier quelques fonctions intéressantes. Enfin, en étudiant quelques exemples, nous développons quatre règles pratiques permettant de gagner du temps et d'accélérer la différenciation pour de nombreux scénarios courants.

Inclus

10 vidéos4 lectures6 devoirs1 sujet de discussion1 plugin

En nous appuyant sur les bases du module précédent, nous généralisons maintenant nos outils de calcul pour traiter les systèmes multivariables. Cela signifie que nous pouvons prendre une fonction avec plusieurs entrées et déterminer l'influence de chacune d'entre elles séparément. Il n'est pas rare qu'une méthode d'apprentissage automatique nécessite l'analyse d'une fonction avec des milliers d'entrées. Nous introduirons donc également les structures d'algèbre linéaire nécessaires pour stocker les résultats de notre analyse de calcul à plusieurs variables de manière ordonnée.

Inclus

9 vidéos5 devoirs2 laboratoires non notés

Après avoir constaté que le calcul à plusieurs variables n'est pas plus compliqué que le calcul à une variable, nous allons maintenant nous concentrer sur les applications de la règle de la chaîne. Les réseaux neuronaux sont l'une des structures conceptuelles les plus populaires et les plus réussies dans le domaine de l'apprentissage automatique. Ils sont construits à partir d'un réseau de neurones connectés et s'inspirent de la structure des cerveaux biologiques. Le comportement de chaque neurone est influencé par un ensemble de paramètres de contrôle, dont chacun doit être optimisé pour s'adapter au mieux aux données. La règle de la chaîne multivariée peut être utilisée pour calculer l'influence de chaque paramètre des réseaux, ce qui permet de les mettre à jour pendant la formation.

Inclus

6 vidéos3 devoirs1 devoir de programmation1 sujet de discussion1 laboratoire non noté

La série de Taylor est une méthode permettant de réexprimer les fonctions sous forme de séries polynomiales. Cette approche est à la base de l'utilisation d'approximations linéaires simples pour des fonctions compliquées. Dans ce module, nous déduirons l'expression formelle de la série de Taylor univariée et discuterons de certaines conséquences importantes de ce résultat pour l'apprentissage automatique. Enfin, nous aborderons le cas multivarié et verrons comment le jacobien et le hessien entrent en jeu.

Inclus

9 vidéos5 devoirs1 plugin

Si nous voulons trouver les points minimum et maximum d'une fonction, nous pouvons utiliser le calcul à plusieurs variables pour y parvenir, par exemple pour optimiser les paramètres (l'espace) d'une fonction afin de l'adapter à certaines données. Nous commencerons par le faire en une dimension et utiliserons le gradient pour estimer où se trouvent les points zéro de cette fonction, puis nous itérerons avec la méthode de Newton-Raphson. Nous étendrons ensuite l'idée à plusieurs dimensions en trouvant le vecteur du gradient, Grad, qui est le vecteur du jacobien. Cela nous permettra de trouver notre chemin vers les minima et les maxima dans ce que l'on appelle la méthode de descente du gradient. Nous utiliserons ensuite Grad pour trouver les minima et maxima le long d'une contrainte dans l'espace, ce qui est la méthode des multiplicateurs de Lagrange.

Inclus

4 vidéos4 devoirs1 sujet de discussion1 laboratoire non noté

Afin d'optimiser les paramètres d'ajustement d'une fonction d'ajustement pour obtenir le meilleur ajustement possible pour certaines données, nous avons besoin d'un moyen de définir la qualité de notre ajustement. Cette qualité d'ajustement s'appelle le chi-deux, que nous appliquerons d'abord à l'ajustement d'une ligne droite (régression linéaire). Nous verrons ensuite comment optimiser notre fonction d'ajustement à l'aide du chi-deux dans le cas général en utilisant la méthode de descente du gradient. Enfin, nous verrons comment faire cela facilement en Python en quelques lignes de code, ce qui clôturera le cours.

Inclus

4 vidéos1 lecture2 devoirs1 devoir de programmation1 laboratoire non noté1 plugin

Instructeurs

Évaluations de l’enseignant
4.7 (672 évaluations)
Samuel J. Cooper
Imperial College London
2 Cours420 924 apprenants
David Dye
Imperial College London
2 Cours420 924 apprenants
A. Freddie Page
Imperial College London
2 Cours420 924 apprenants

Offert par

Recommandé si vous êtes intéressé(e) par Mathématiques et logique

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 5632

4.7

5 632 avis

  • 5 stars

    77,09 %

  • 4 stars

    18,80 %

  • 3 stars

    3,10 %

  • 2 stars

    0,63 %

  • 1 star

    0,35 %

DC
5

Révisé le 24 juil. 2018

SS
5

Révisé le 3 août 2019

PM
5

Révisé le 25 mars 2022

Emplacement réservé

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