Bỏ qua tới nội dung chính
Toán học

Phương pháp ma trận trong phân tích dữ liệu

Phân rã ma trận, xấp xỉ hạng thấp, bình phương tối thiểu, PCA, gradient ngẫu nhiên và nền toán học của mạng nơ-ron.

5 khóa học đề xuất3 học liệu (3 sách)

Hướng dẫn học chủ đề

Trung bìnhkhoảng 40 giờ6 bước
  • Diễn giải phép nhân ma trận theo cột và theo tổng các ma trận hạng một, liên hệ với bốn không gian con cơ bản
  • Tính và diễn giải phân tích giá trị suy biến (SVD), phân biệt với phân tích trị riêng
  • Áp dụng định lý Eckart–Young để xấp xỉ hạng thấp, nén ảnh và thực hiện PCA trên dữ liệu thật

Giáo trình: Linear Algebra and Learning from Data +2 sách khác

Đọc hướng dẫn đầy đủ
Thuộc nhóm Toán ứng dụng và tính toán · Applied and Computational Mathematics5 chủ đề · khoảng 220 giờPhương trình đạo hàm riêng, giải tích số, tối ưu hóa, phương pháp ma trận cho dữ liệu và hệ động lực: đưa toán vào mô hình và máy tính.Xem nhóm
Chọn nguồn tự học

Cần vững đại số tuyến tính và xác suất; bài giảng MIT 18.065 của Gilbert Strang là nguồn chính, nên chạy thử mọi phương pháp trên dữ liệu thật bằng NumPy.

Khóa học đề xuất

Khóa trên OpenER và khóa mở của các trường, tuyển chọn cho chủ đề này.

Xem tất cả (5)

MIT · 18.065 · Xuân 2018

Matrix Methods in Data Analysis, Signal Processing, and Machine Learning (mở trong tab mới)

Phương pháp ma trận trong phân tích dữ liệu, xử lý tín hiệu và học máy

Gilbert Strang

Đề xuất chínhVideo + tài liệuLiên kết ngoàiCấp độ: Nâng caoTiếng AnhCC BY-NC-SA 4.0

Khóa tiếp nối 18.06 của Gilbert Strang, ôn lại đại số tuyến tính rồi áp dụng vào xác suất thống kê, tối ưu và học sâu: phân rã ma trận, SVD và PCA, bình phương tối thiểu, hạ gradient và cấu trúc của mạng nơ-ron.

Vì sao chọn: Môn học Gilbert Strang dạy cùng sách Linear Algebra and Learning from Data, sách chính của chủ đề: phân rã ma trận, SVD và PCA, xấp xỉ hạng thấp, bình phương tối thiểu, hạ gradient và mạng nơ-ron; có video bài giảng và bài tập.

  • Chuyên sâu
  • Kinh điển

  • IIT Kharagpur · 111105165

    Applied Linear Algebra in AI and ML (mở trong tab mới)

    Đại số tuyến tính ứng dụng trong trí tuệ nhân tạo và học máy

    Swanand Khare

    Thay thếVideo + tài liệuLiên kết ngoàiCấp độ: Trung bình

    Vì sao chọn: Đi đủ con đường từ phân tích LU, QR, bình phương tối thiểu tới SVD, xấp xỉ hạng thấp, PCA và phương pháp lũy thừa, với nhiều ví dụ khớp dữ liệu và phân loại. Video công khai trên NPTEL.

  • Imperial

    Mathematics for Machine Learning: PCA (mở trong tab mới)

    Toán cho học máy: Phân tích thành phần chính

    Marc Peter Deisenroth

    Thay thếChỉ tài liệuLiên kết ngoàiCấp độ: Trung bìnhCần tài khoản miễn phí

    Vì sao chọn: Khóa ngắn chuyên về PCA do Marc Peter Deisenroth, đồng tác giả sách Mathematics for Machine Learning (sách tham khảo của chủ đề), giảng: tích trong, phép chiếu rồi dẫn ra PCA, có bài thực hành Python. Cần tài khoản Coursera.

  • Imperial

    Mathematics for Machine Learning: Linear Algebra (mở trong tab mới)

    Toán cho học máy: Đại số tuyến tính

    David Dye

    Thay thếChỉ tài liệuLiên kết ngoàiCấp độ: Cơ bảnCần tài khoản miễn phí

    Vì sao chọn: Ôn nhanh đại số tuyến tính theo hướng dữ liệu trước khi vào khóa chính, có bài lập trình như cài PageRank. Cần tài khoản Coursera.

    • Dễ bắt đầu

Chủ đề này còn ít nội dung

Xem thêm các chủ đề cùng nhóm Toán ứng dụng và tính toán, hoặc tìm trên toàn trang.