Bỏ qua tới nội dung chính
Toán học

Khóa học cho chủ đề

Phương pháp ma trận trong phân tích dữ liệu

Khóa tuyển chọn cho chủ đề, từ OpenER và các trường đại học. Xem các trường và tổ chức
  • 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 bìnhTiếng AnhBản quyền

    Khóa NPTEL của IIT Kharagpur: không gian vectơ, chuẩn, hàm tuyến tính và affine, hệ phương trình, phân tích LU và QR, chuẩn ma trận và số điều kiện, bình phương tối thiểu cho khớp dữ liệu và phân loại, trị riêng và phân tích phổ, ma trận xác định dương, phân tích giá trị suy biến, xấp xỉ hạng thấp, PCA, giả nghịch đảo và phương pháp lũy thừa.

    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 bìnhTiếng AnhBản quyềnCần tài khoản miễn phí

    Khóa của Imperial College London trên Coursera do Marc Peter Deisenroth giảng: thống kê cơ bản của tập dữ liệu, tích trong, phép chiếu trực giao, rồi dẫn ra phân tích thành phần chính (PCA) như bài toán tối ưu, kèm bài thực hành Python.

    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 bảnTiếng AnhBản quyềnCần tài khoản miễn phí

    Khóa nhập môn của Imperial College London trên Coursera, trình bày đại số tuyến tính gắn với dữ liệu và học máy: vectơ, ma trận như phép biến đổi, đổi cơ sở, trị riêng và ví dụ PageRank, kèm bài thực hành lập trình Python.

    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

  • MIT · 18.335J · Xuân 2019

    Introduction to Numerical Methods (mở trong tab mới)

    Nhập môn phương pháp số

    Steven G. Johnson

    Nâng caoChỉ tài liệuLiên kết ngoàiCấp độ: Nâng caoTiếng AnhCC BY-NC-SA 4.0

    Môn sau đại học của MIT về độ chính xác và hiệu quả của thuật toán số: đại số tuyến tính số với ma trận đặc và ma trận thưa, phương pháp lặp cho hệ tuyến tính và bài toán trị riêng, số học dấu phẩy động và phân tích sai số ngược. Có ghi chú, bài tập và đề thi kèm lời giải.

    Vì sao chọn: Học sau khóa chính để hiểu thuật toán ma trận chạy trên máy ra sao: phân tích sai số ngược, phương pháp lặp cho hệ lớn và bài toán trị riêng; trang môn học dùng sách Trefethen – Bau, sách tham khảo của chủ đề.

    • Chuyên sâu