Die University Network

Mathematik für maschinelles Lernen: PCA

BESCHREIBUNG

In diesem Kurs für Fortgeschrittene werden die mathematischen Grundlagen zur Ableitung der Hauptkomponentenanalyse (PCA) vorgestellt, einer grundlegenden Technik zur Reduzierung der Dimensionalität. Wir werden einige grundlegende Statistiken von Datensätzen wie Mittelwerte und Varianzen behandeln, Abstände und Winkel zwischen Vektoren unter Verwendung innerer Produkte berechnen und orthogonale Projektionen von Daten auf unterdimensionale Teilräume ableiten. Mit all diesen Tools leiten wir dann PCA als Methode ab, die den durchschnittlichen quadratischen Rekonstruktionsfehler zwischen Datenpunkten und deren Rekonstruktion minimiert.

Am Ende dieses Kurses sind Sie mit wichtigen mathematischen Konzepten vertraut und können PCA selbst implementieren. Wenn Sie Probleme haben, finden Sie eine Reihe von Jupyter-Notizbüchern, mit denen Sie die Eigenschaften der Techniken erkunden und durch die Schritte führen können, die Sie ausführen müssen, um auf den richtigen Weg zu kommen. Wenn Sie bereits Experte sind, kann dieser Kurs einige Ihrer Kenntnisse auffrischen.

Die Vorlesungen, Beispiele und Übungen erfordern:
1. Eine Fähigkeit des abstrakten Denkens
2. Guter Hintergrund in der linearen Algebra (z. B. Matrix- und Vektoralgebra, lineare Unabhängigkeit, Basis)
3. Grundlegender Hintergrund in der multivariaten Analysis (z. B. partielle Ableitungen, grundlegende Optimierung)
4. Grundkenntnisse in Python-Programmierung und Numpy

Haftungsausschluss: Dieser Kurs ist wesentlich abstrakter und erfordert mehr Programmierung als die beiden anderen Kurse der Spezialisierung. Diese Art des abstrakten Denkens, der algebraischen Manipulation und der Programmierung ist jedoch erforderlich, wenn Sie Algorithmen für maschinelles Lernen verstehen und entwickeln möchten.

Preis: Kostenlos anmelden!

Sprache: Englisch

Untertitel: Englisch

Mathematik für maschinelles Lernen: PCA - Imperial College London