Завершено [Udemy] Mathematical Foundation For Machine Learning and AI [ENG-RUS]

Математика для Машинного Обучения и Искусственного Интеллекта
"Udemy" на русском

После завершения заказа на перевод, сумма взноса по данному курсу 1200 руб


​

Автор: Eduonix Learning Solutions

Год: 2018

Продолжительность: 4 часа 30 минут

Язык: Английский

Описание:

Искусственный интеллект приобрел значение в последнее десятилетие, и многое зависит от развития и интеграции ИИ в нашу повседневную жизнь. Прогресс, которого уже достиг ИИ, поражает в самых разных сферах: автопром, медицинская диагностика и стратегические игры, такие как Го и Шахматы.

Будущее искусственного интеллекта чрезвычайно многообещающе, и оно не далеко от того, когда у нас будут свои спутники-роботы. Это подтолкнуло многих разработчиков начать писать код и начинать разрабатывать программы для ИИ и МО (машинного обучения). Однако научиться писать алгоритмы для ИИ и МО непросто и требует обширных знаний в области программирования и математики.

Математика играет важную роль, поскольку она закладывает основу для программирования этих двух вещей. И в этом курсе мы рассмотрели именно это. Мы разработали полный курс, чтобы помочь вам освоить математические основы, необходимые для написания программ и алгоритмов для ИИ и МО.

Курс был разработан в сотрудничестве с отраслевыми экспертами, чтобы помочь вам разбить сложные математические концепции, известные человеку, на более простые для понимания концепции. Курс охватывает три основные математические теории: линейная алгебра, многомерная математика и теория вероятностей.

Линейная алгебра. Линейная алгебра используется в машинном обучении для описания параметров и структуры различных алгоритмов машинного обучения. Это делает линейную алгебру необходимостью, чтобы понять, как нейронные сети объединяются и как они работают.

Она охватывает такие темы, как:

• Скаляры, векторы, матрицы, тензоры
• Матричные нормы
• Специальные матрицы и векторы
• Собственные значения и собственные векторы

Многомерная математика - используется для дополнения обучающей части машинного обучения. Это то, что используется для изучения примеров, обновления параметров различных моделей и повышения производительности.

Она охватывает такие темы, как:

• Производные
• Интегралы
• Градиенты
• Дифференциальные операторы
• Выпуклая оптимизация

Теория вероятностей - теории используются, чтобы делать предположения об основных данных в рамках алгоритмов МО или ИИ.

Она охватывает такие темы, как:

• Элементы вероятности
• Случайные переменные
• Распределения
• Дисперсия и ожидание
• Специальные случайные величины

Курс также включает в себя проекты и тесты после каждого раздела, которые помогут закрепить ваши знания по теме, а также научиться точно использовать концепции в реальной жизни.

В конце этого курса у вас будут не только знания для создания собственных алгоритмов, но и уверенность в том, что вы действительно начнете применять свои алгоритмы в своих следующих проектах.

Требования

Предполагается наличие базовых знаний Python и R

Страница курса:

Пример перевода:

Курс зарезервировал squal, курс переведён

 

Добавлен пример перевода

 

Курс переводится