جبر خطی یکی از ارکان ضروری برای هر کسی است که قصد فعالیت در علوم داده و هوش مصنوعی را دارد. چه در مدیریت مجموعهدادههای بزرگ، چه در ساخت مدلهای پیشبینی یا پیادهسازی الگوریتمهای یادگیری ماشین، درک عمیق این حوزه ریاضیاتی اجتنابناپذیر است. این دوره به گونهای طراحی شده است که رویکردی بصری و کاربردی را برای مهمترین مفاهیم ارائه دهد و تئوری را با پیادهسازیهای پایتونی ترکیب کند تا یادگیری شما از طریق اجرا حاصل شود.
این دوره به شش بخش تقسیم شده است که هر کدام جنبهای بنیادی از جبر خطی را پوشش میدهد. ما با معرفی مفاهیم اصلی شروع میکنیم و اهمیت این رشته و ارتباط آن با علوم داده و یادگیری ماشین را توضیح میدهیم. در اینجا مواردی مانند اسکالرها، بردارها، ماتریسها و تنسورها را بررسی کرده و کتابخانههای لازم پایتون را نصب میکنیم. همچنین نمایش دادهها و نحوه استفاده از سیستمهای خطی برای حل مسائل ریاضی را بررسی خواهیم کرد.
در بخش دوم، عمیقتر به بررسی بردارها، ویژگیها و کاربردهای آنها میپردازیم. بردارها اجزای بنیادی در دستکاری دادهها، مقیاسبندی ویژگیها و حتی تعریف فضاهای چندبعدی مورد استفاده در مدلهای پیشبینی هستند. شما با نرمها، بردارهای واحد، بردارهای متعامد و orthonormal آشنا شده و این ساختارها را به صورت بصری از طریق نمودارها مشاهده خواهید کرد.
سپس به سراغ ماتریسها میرویم که به طور گسترده برای نمایش دادهها و پردازش حجم زیادی از اطلاعات استفاده میشوند. ما ویژگیهای کلیدی ماتریس، نرمها، ترانهاده، معکوس و تجزیههای ضروری برای کاربردهای مختلف را پوشش خواهیم داد. این مفاهیم برای شبکههای عصبی، رگرسیونهای خطی و تکنیکهای کاهش ابعاد حیاتی هستند.
بخش چهارم بر عملیات مربوط به بردارها و ماتریسها تمرکز دارد. ما ضرب ماتریسی، ضرب داخلی و خارجی، عملیات کاهش و قانون کسینوس را مطالعه میکنیم؛ ابزارهایی ضروری برای محاسبه شباهت دادهها و دستکاری بهینه ساختارهای ریاضی.
سپس به سراغ تبدیلات خطی میرویم که مفهومی کلیدی برای بسیاری از کاربردهای پیشرفته یادگیری ماشین است. بررسی میکنیم که چگونه ماتریسها عملیاتی مانند انعکاس، مقیاسبندی، دوران و برش را ممکن میسازند و همزمان با بردارهای ویژه، مقادیر ویژه و تجزیه ماتریس آشنا میشویم. تکنیکهایی مانند Eigendecomposition، تجزیه مقادیر مفرد (SVD) و تحلیل مؤلفههای اصلی (PCA) در اینجا بررسی میشوند که ابزارهایی ضروری برای فشردهسازی دادهها و حذف افزونگی در مدلهای یادگیری هستند.
در نهایت، بخش ششم به طور کامل به کاربردهای عملی جبر خطی در علوم داده و هوش مصنوعی اختصاص دارد. ما سیستمهای خطی را پیادهسازی میکنیم، بررسی میکنیم که شبکههای عصبی چگونه از این مفاهیم ریاضی بهره میبرند، عمیقتر به Eigendecomposition و SVD میپردازیم و PCA را برای تحلیل و کاهش ابعاد به کار میگیریم. همچنین با تکنیکهای اندازهگیری شباهت در دادههای ساختاریافته کار خواهیم کرد تا مطمئن شویم میتوانید از این دانش برای حل مسائل واقعی استفاده کنید. این بخش با تمریناتی برای تثبیت یادگیری به پایان میرسد.
در پایان این دوره، تسلط بالایی بر جبر خطی کاربردی در علوم داده و یادگیری ماشین خواهید داشت و نه تنها تئوری، بلکه پیادهسازی آن در پایتون را نیز فرا خواهید گرفت. اگر هدف شما ایجاد یک پایه ریاضی مستحکم برای فعالیت حرفهای در حوزه هوش مصنوعی و داده است، این دوره گامی ضروری در مسیر شماست.
Jones Granatyr
استاد اولا! 10 مورد از جونز گراناتیر و ترابیلو در 10 سال گذشته است که شامل Inteligência Artificial (IA) می باشد استاد حرفه ای ، پشکیزادور و بنیانگذار پورتال IA Expert ، وب سایت com conteúdo específico sobre Inteligência Artificial. Desde que iniciei na Udemy criei vários cursos sobre diversos assuntos de IA، como as exemplolo: یادگیری عمیق ، یادگیری ماشین ، علم داده ، Redes Neurais Artificiais، Algoritmos Genéticos، Detecção e Reconhecimento Facial، Algoritmos de cesos، Busca ، Mineração de Regras de Associação ، Sistemas Especialistas e Sistemas de Recomendação. اگر بخواهید از طریق برنامه های مختلف زبان (Python ، R e Java) و یا فن آوری های مختلف (tensorflow ، keras ، pandas ، sklearn ، opencv ، dlib ، weka ، nltk ، به عنوان مثال) استفاده کنید. با توجه به هدف اصلی و دستیابی به اطلاعات IA و مجوز فعالیت در TI و متقاضیان ، به عنوان تجدید نظر در زمینه استفاده از قوانین و مقررات و امکان مشاهده تجدید نظرهای جدید در زمینه مشروبات الکلی ارائه می شود.
AI Expert Academy
مربی
Denny Ceccon
Entusiasta em Data Science
نمایش نظرات