Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
L’algèbre linéaire est l’un des ensembles d’outils les plus importants en mathématiques appliquées et en data science. Dans ce cours, vous apprendrez à manipuler des vecteurs et des matrices, à résoudre des équations matrice–vecteur, à effectuer des analyses de valeurs et vecteurs propres, et à utiliser l’analyse en composantes principales pour réduire la dimension de jeux de données réels. Toutes les analyses seront réalisées en R, l’un des langages de programmation les plus populaires au monde.
Prérequis
Programme de formation
Plan du cours
1
Introduction à l’algèbre linéaire
Dans ce chapitre, vous allez découvrir les objets clés de l’algèbre linéaire, comme les vecteurs et les matrices. Vous comprendrez pourquoi ils sont importants et comment ils interagissent entre eux.
- Motivations50 XP
- Créer des vecteurs en R100 XP
- L’algèbre des vecteurs100 XP
- Créer des matrices en R100 XP
- Opérations matrice-vecteur50 XP
- Compatibilité matrice–vecteur50 XP
- La multiplication de matrices comme transformation100 XP
- Réflexions100 XP
- Calculs matrice–matrice50 XP
- Compatibilité de la multiplication de matrices50 XP
- Multiplication de matrices — l’ordre compte100 XP
- Introduction à l’inverse d’une matrice100 XP
2
Équations matrice–vecteur
De nombreux algorithmes de Machine Learning se ramènent à la résolution d’une équation matrice–vecteur. Dans ce chapitre, vous verrez à quoi servent ces équations et comment les résoudre en R.
3
Valeurs propres et vecteurs propres
Les opérations matricielles sont complexes. Les analyses de valeurs et vecteurs propres permettent de décomposer ces opérations en éléments plus simples, utiles pour la reconnaissance d’images, l’analyse génomique, et bien plus encore !
4
Analyse en composantes principales
Le « Big Data » est omniprésent en data science et dans ses applications. Cependant, la redondance dans ces jeux de données peut poser problème. Dans ce chapitre, nous étudions l’analyse en composantes principales et la façon dont elle permet de réduire la dimension.
R
Algèbre linéaire pour la data science en R
Cours
terminé
