Po ukończeniu tych kursów czuję się pewnie w tworzeniu profesjonalnych wizualizacji i pulpitów nawigacyjnych
Shoebur RahmanSpecjalista ds. zakupów, Giz Bangladesh
Opis kursu
Algebra liniowa to jeden z najważniejszych zestawów narzędzi w matematyce stosowanej i data science. W tym kursie nauczysz się pracować z wektorami i macierzami, rozwiązywać równania macierzowo-wektorowe, przeprowadzać analizy wartości własnych i wektorów własnych oraz stosować analizę głównych składowych do redukcji wymiarowości na rzeczywistych zbiorach danych. Wszystkie analizy będą wykonywane w R – jednym z najpopularniejszych języków programowania na świecie.
Wymagania wstępne
Program nauczania
Plan kursu
1
Wprowadzenie do algebry liniowej
W tym rozdziale poznasz kluczowe obiekty algebry liniowej – wektory i macierze. Dowiesz się, dlaczego są ważne i jak ze sobą współdziałają.
- Motywacje50 XP
- Tworzenie wektorów w R100 XP
- Działania na wektorach100 XP
- Tworzenie macierzy w R100 XP
- Operacje na macierzach i wektorach50 XP
- Zgodność macierzy z wektorem50 XP
- Mnożenie macierzy jako transformacja100 XP
- Odbicia100 XP
- Obliczenia na macierzach50 XP
- Zgodność wymiarów przy mnożeniu macierzy50 XP
- Mnożenie macierzy – kolejność ma znaczenie100 XP
- Wprowadzenie do odwrotności macierzy100 XP
2
Równania macierzowo-wektorowe
Wiele algorytmów uczenia maszynowego sprowadza się do rozwiązywania równań macierzowo-wektorowych. W tym rozdziale dowiesz się, co te równania opisują i jak je rozwiązywać w R.
3
Wartości własne i wektory własne
Operacje na macierzach bywają złożone. Analiza wartości własnych i wektorów własnych pozwala rozkładać te operacje na prostsze – co znajduje zastosowanie m.in. w rozpoznawaniu obrazów czy analizie genomicznej.
4
Analiza głównych składowych
Duże zbiory danych są wszechobecne w data science. Jednak redundancja w tych zbiorach może być problematyczna. W tym rozdziale poznasz analizę głównych składowych i nauczysz się jej używać do redukcji wymiarowości.
R
Algebra liniowa dla data science w R
Kurs
ukończony
