ข้ามไปยังเนื้อหาหลัก

Courses

Linear Algebra for Data Science in R

ระดับกลางระดับทักษะ

อัปเดตแล้ว 08/2565

This course is an introduction to linear algebra, one of the most important mathematical topics underpinning data science.

เริ่มเรียนหลักสูตรฟรี

RProbability & Statistics4 ชม.15 videos56 Exercises4,000 เอ็กซ์พี20,696คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

Linear algebra is one of the most important set of tools in applied mathematics and data science. In this course, you’ll learn how to work with vectors and matrices, solve matrix-vector equations, perform eigenvalue/eigenvector analyses and use principal component analysis to do dimension reduction on real-world datasets. All analyses will be performed in R, one of the world’s most-popular programming languages.

ข้อกำหนดเบื้องต้น

Introduction to R

1

Introduction to Linear Algebra

In this chapter, you will learn about the key objects in linear algebra, such as vectors and matrices. You will understand why they are important and how they interact with each other.

Motivations

50 เอ็กซ์พี

Creating Vectors in R

100 เอ็กซ์พี

The Algebra of Vectors

100 เอ็กซ์พี

Creating Matrices in R

100 เอ็กซ์พี

Matrix-Vector Operations

50 เอ็กซ์พี

Matrix-Vector Compatibility

50 เอ็กซ์พี

Matrix Multiplication as a Transformation

100 เอ็กซ์พี

Reflections

100 เอ็กซ์พี

Matrix-Matrix Calculations

50 เอ็กซ์พี

Matrix Multiplication Compatibility

50 เอ็กซ์พี

Matrix Multiplication - Order Matters

100 เอ็กซ์พี

Intro to The Matrix Inverse

100 เอ็กซ์พี

เริ่มบท

2

Matrix-Vector Equations

Many machine learning algorithms boil down to solving a matrix-vector equation. In this chapter, you learn what matrix-vector equations are trying to accomplish and how to solve them in R.

Motivation for Solving Matrix-Vector Equations

50 เอ็กซ์พี

The Meaning of Ax = b

50 เอ็กซ์พี

Exploring WNBA Data

100 เอ็กซ์พี

Matrix-Vector Equations - Some Theory

50 เอ็กซ์พี

Why is a Matrix Not Invertible?

50 เอ็กซ์พี

Understanding a Linear System's Three Outcomes

50 เอ็กซ์พี

Understanding the Massey Matrix

50 เอ็กซ์พี

Adjusting the Massey Matrix

100 เอ็กซ์พี

Inverting the Massey Matrix

100 เอ็กซ์พี

Solving Matrix-Vector Equations

50 เอ็กซ์พี

An Analogy with Regular Algebra

50 เอ็กซ์พี

2017 WNBA Ratings!

100 เอ็กซ์พี

Who Was the Champion?

50 เอ็กซ์พี

Other Considerations for Matrix-Vector Equations

50 เอ็กซ์พี

Other Methods for Matrix-Vector Equations

50 เอ็กซ์พี

Alternatives to the Regular Matrix Inverse

100 เอ็กซ์พี

เริ่มบท

3

Eigenvalues and Eigenvectors

Matrix operations are complex. Eigenvalue/eigenvector analyses allow you to decompose these operations into simpler ones for the sake of image recognition, genomic analysis, and more!

Intro to Eigenvalues and Eigenvectors

50 เอ็กซ์พี

Interpreting Scalar Multiplication

50 เอ็กซ์พี

Scaling Different Axes

100 เอ็กซ์พี

Definition of Eigenvalues and Eigenvectors

50 เอ็กซ์พี

Why "Eigen"?

50 เอ็กซ์พี

Finding Eigenvalues in R

100 เอ็กซ์พี

Scalar Multiplies of Eigenvectors are Eigenvectors

100 เอ็กซ์พี

Computing Eigenvalues and Eigenvectors in R

50 เอ็กซ์พี

How Many Eigenvalues?

50 เอ็กซ์พี

Verifying the Math on Eigenvalues

100 เอ็กซ์พี

Computing Eigenvectors in R

100 เอ็กซ์พี

Some More on Eigenvalues and Eigenvectors

50 เอ็กซ์พี

Eigenvalue Ordering

50 เอ็กซ์พี

Markov Models for Allele Frequencies

100 เอ็กซ์พี

เริ่มบท

4

Principal Component Analysis

“Big Data” is ubiquitous in data science and its applications. However, redundancy in these datasets can be problematic. In this chapter, we learn about principal component analysis and how it can be used in dimension reduction.

Intro to the Idea of PCA

50 เอ็กซ์พี

What Does "Big Data" Mean?

50 เอ็กซ์พี

Finding Redundancies

100 เอ็กซ์พี

The Linear Algebra Behind PCA

50 เอ็กซ์พี

Covariance Explored

50 เอ็กซ์พี

Standardizing Your Data

100 เอ็กซ์พี

Variance/Covariance Calculations

100 เอ็กซ์พี

Eigenanalyses of Combine Data

100 เอ็กซ์พี

Where's the Variance?

50 เอ็กซ์พี

Performing PCA in R

50 เอ็กซ์พี

Scaling Data Before PCA

100 เอ็กซ์พี

Summarizing PCA in R

100 เอ็กซ์พี

Does Subsetting Change Things?

50 เอ็กซ์พี

50 เอ็กซ์พี

เริ่มบท

Linear Algebra for Data Science in R

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Linear Algebra for Data Science in R วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา