آموزش جبر خطی کامل: تئوری و پیاده سازی در کد

Complete linear algebra: theory and implementation in code

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: مفاهیم جبر خطی و تجزیه و تحلیل ماتریس را بیاموزید و آنها را در MATLAB و Python پیاده سازی کنید. درک مفاهیم نظری در جبر خطی، از جمله اثبات، پیاده سازی مفاهیم جبر خطی در زبان های برنامه نویسی علمی (MATLAB، Python) مفاهیم جبر خطی را در مجموعه داده های واقعی به کار ببرید. جبر خطی را با اطمینان در رایانه ها اعمال کنید بینش های بیشتری در مورد حل مسائل جبر خطی، از جمله تکالیف و برنامه های کاربردی به دست آورید در یادگیری مباحث جبر خطی پیشرفته مطمئن باشید برخی از ریاضیات مهم زیربنای یادگیری ماشینی را درک کنید ریاضیات زیربنای بیشتر هوش مصنوعی (هوش مصنوعی) پیشها : درک مقدماتی جبر دبیرستانی (مثلاً حل x در 2x=5) علاقه به یادگیری در مورد ماتریس ها و بردارها! (اختیاری) کامپیوتر با MATLAB، Octave، یا Python (یا Jupyter)

شما باید جبر خطی را یاد بگیرید!

جبر خطی شاید مهمترین شاخه ریاضیات برای علوم محاسباتی از جمله یادگیری ماشین، هوش مصنوعی، علم داده، آمار، شبیه سازی، گرافیک کامپیوتری، تجزیه و تحلیل چند متغیره، تجزیه ماتریس، پردازش سیگنال و غیره باشد.

شما باید جبر خطی کاربردی را بدانید، نه فقط جبر خطی انتزاعی!

شیوه ارائه جبر خطی در کتاب های درسی 30 ساله با نحوه استفاده حرفه ای ها از جبر خطی در رایانه برای حل برنامه های کاربردی دنیای واقعی در یادگیری ماشین، علم داده، آمار و پردازش سیگنال متفاوت است. به عنوان مثال، "دترمینان" یک ماتریس برای نظریه جبر خطی مهم است، اما آیا واقعاً باید از تعیین کننده در کاربردهای عملی استفاده کرد؟ پاسخ ممکن است شما را شگفت زده کند، و آن در این دوره است!

اگر علاقه مند به یادگیری مفاهیم ریاضی جبر خطی و تجزیه و تحلیل ماتریسی هستید، اما همچنین می خواهید آن مفاهیم را در تجزیه و تحلیل داده ها در رایانه (به عنوان مثال، آمار یا پردازش سیگنال) به کار ببرید، پس این دوره برای شما مناسب است! تمام مفاهیم ریاضی پیاده سازی شده در MATLAB و Python را مشاهده خواهید کرد.

جنبه های منحصر به فرد این دوره

  • توضیحات واضح و قابل فهم مفاهیم و نظریه ها در جبر خطی.

  • چند توضیح متمایز از ایده های مشابه، که یک تکنیک اثبات شده برای یادگیری است.

  • تجسم با استفاده از نمودارها، اعداد و فضاها که شهود هندسی جبر خطی را تقویت می‌کند.

  • پیاده سازی در MATLAB و Python. بیا، در دنیای واقعی، شما هرگز مسائل ریاضی را با دست حل نمی کنید! شما باید بدانید که چگونه ریاضی را در نرم افزار پیاده سازی کنید!

  • شروع به موضوعات میانی، از جمله بردارها، ضرب ماتریس، پیش بینی حداقل مربعات، تجزیه ویژه، و تجزیه ارزش منفرد.

  • تمرکز شدید بر جنبه‌های کاربردی مدرن جبر خطی و تحلیل ماتریسی.

  • توضیحات بصری بصری قطری‌سازی، مقادیر ویژه و بردارهای ویژه، و تجزیه مقادیر منفرد.

  • مهارت های کدنویسی خود را بهبود بخشید! برای این دوره باید کمی تجربه کدنویسی داشته باشید (من پایتون یا متلب ابتدایی را تدریس نمی کنم)، اما قطعاً مهارت های برنامه نویسی علمی و تحلیل داده های خود را در این دوره بهبود خواهید داد. همه چیز در MATLAB و Python توضیح داده شده است (بیشتر با استفاده از numpy و matplotlib؛ همچنین sympy و scipy و برخی جعبه ابزارهای مرتبط دیگر).

مزایای یادگیری جبر خطی

  • آماری از جمله حداقل مربعات، رگرسیون، و تحلیل های چند متغیره را درک کنید.

  • شبیه‌سازی‌های ریاضی را در مهندسی، زیست‌شناسی محاسباتی، مالی، و فیزیک بهبود دهید.

  • فشرده سازی داده ها و کاهش ابعاد (PCA، SVD، eigendecomposition) را درک کنید.

  • الگوریتم های ریاضی زیربنایی یادگیری ماشین و طبقه بندی خطی را بدانید.

  • دانش عمیق‌تر از روش‌های پردازش سیگنال، به‌ویژه فیلتر کردن و روش‌های زیرفضای چند متغیره.

  • پیوند بین جبر خطی، ماتریس‌ها و هندسه را کاوش کنید.

  • تجربه بیشتری در پیاده‌سازی ریاضیات و درک مفاهیم یادگیری ماشین در پایتون و متلب به دست آورید.

  • جبر خطی پیش نیاز یادگیری ماشین و هوش مصنوعی (A.I.) است.

چرا من واجد شرایط تدریس این دوره هستم:

من سال هاست که از جبر خطی به طور گسترده در تحقیق و تدریس خود (در متلب و پایتون) استفاده می کنم. من چندین کتاب درسی درباره تجزیه و تحلیل داده ها، برنامه نویسی و آمار نوشته ام که به طور گسترده بر مفاهیم جبر خطی تکیه دارند.

پس منتظر چی هستی؟؟

ویدئوی مقدماتی دوره و ویدئوهای نمونه رایگان را تماشا کنید تا با محتویات این دوره و سبک تدریس من بیشتر آشنا شوید. اگر مطمئن نیستید که آیا این دوره برای شما مناسب است و می‌خواهید بیشتر بیاموزید، قبل از ثبت نام با من در تماس باشید.

امیدوارم به زودی شما را در دوره ببینم!

مایک



سرفصل ها و درس ها

مقدمه ها Introductions

  • جبر خطی چیست؟ What is linear algebra?

  • کاربردهای جبر خطی Linear algebra applications

  • شروعی فریبنده برای درس جبر خطی! An enticing start to a linear algebra course!

  • بهترین روش برای یادگیری از این دوره How best to learn from this course

  • تجربه Udemy خود را به حداکثر برسانید Maximizing your Udemy experience

مطالب دوره را دریافت کنید Get the course materials

  • نحوه دانلود و استفاده از مطالب دوره How to download and use course materials

بردارها Vectors

  • تفاسیر جبری و هندسی بردارها Algebraic and geometric interpretations of vectors

  • جمع و تفریق برداری Vector addition and subtraction

  • ضرب برداری-اسکالر Vector-scalar multiplication

  • ضرب بردار-بردار: حاصل ضرب نقطه ای Vector-vector multiplication: the dot product

  • ویژگی های محصول نقطه ای: انجمنی، توزیعی، جابه جایی Dot product properties: associative, distributive, commutative

  • چالش کد: محصولات نقطه ای با ستون های ماتریسی Code challenge: dot products with matrix columns

  • چالش کد: آیا محصول نقطه ای جابجایی است؟ Code challenge: is the dot product commutative?

  • طول برداری Vector length

  • طول وکتور در متلب Vector length in MATLAB

  • طول برداری در پایتون Vector length in Python

  • هندسه محصول نقطه ای: علامت و متعامد Dot product geometry: sign and orthogonality

  • عمود بردار Vector orthogonality

  • چالش کد: نابرابری کوشی-شوارتز Code challenge: Cauchy-Schwarz inequality

  • زوایای برداری نسبی Relative vector angles

  • چالش کد: علامت محصول نقطه ای و ضرب اسکالر Code challenge: dot product sign and scalar multiplication

  • وکتور ضرب هادامارد Vector Hadamard multiplication

  • محصول بیرونی Outer product

  • وکتور محصول متقاطع Vector cross product

  • بردارهایی با اعداد مختلط Vectors with complex numbers

  • ترانسپوز هرمیتی (معروف به انتقال مزدوج) Hermitian transpose (a.k.a. conjugate transpose)

  • تفسیر و ایجاد بردارهای واحد Interpreting and creating unit vectors

  • چالش کد: محصولات نقطه با بردار واحد Code challenge: dot products with unit vectors

  • ابعاد و میدان ها در جبر خطی Dimensions and fields in linear algebra

  • فضاهای فرعی Subspaces

  • فضاهای فرعی در مقابل زیر مجموعه ها Subspaces vs. subsets

  • طول Span

  • در بازه؟ In the span?

  • استقلال خطی Linear independence

  • اساس Basis

مقدمه ای بر ماتریس ها Introduction to matrices

  • اصطلاحات و ابعاد ماتریس Matrix terminology and dimensionality

  • اندازه و ابعاد ماتریس Matrix sizes and dimensionality

  • باغ وحشی از ماتریس ها A zoo of matrices

  • آیا می توان ماتریس ها را به هم متصل کرد؟ Can the matrices be concatenated?

  • جمع و تفریق ماتریس Matrix addition and subtraction

  • ضرب ماتریس-اسکالر Matrix-scalar multiplication

  • چالش کد: آیا ضرب ماتریس-اسکالر یک عملیات خطی است؟ Code challenge: is matrix-scalar multiplication a linear operation?

  • جابجا شود Transpose

  • ماتریس های پیچیده Complex matrices

  • جمع، برابری و جابجایی Addition, equality, and transpose

  • مورب و ردیابی Diagonal and trace

  • چالش کد: خطی بودن ردیابی Code challenge: linearity of trace

  • محاسبات ماتریس پخش Broadcasting matrix arithmetic

ضرب های ماتریسی Matrix multiplications

  • مقدمه ای بر ضرب ماتریس استاندارد Introduction to standard matrix multiplication

  • چهار راه برای تفکر در مورد ضرب ماتریس Four ways to think about matrix multiplication

  • چالش کد: ضرب ماتریس با لایه بندی Code challenge: matrix multiplication by layering

  • ضرب ماتریس با یک ماتریس مورب Matrix multiplication with a diagonal matrix

  • ترتیب عملیات روی ماتریس ها Order-of-operations on matrices

  • ضرب ماتریس-بردار Matrix-vector multiplication

  • مقدار گمشده را پیدا کنید! Find the missing value!

  • ماتریس های تبدیل دوبعدی 2D transformation matrices

  • چالش کد: ماتریس های چرخش خالص و ناخالص Code challenge: Pure and impure rotation matrices

  • چالش کد: تبدیل های هندسی از طریق ضرب ماتریس Code challenge: Geometric transformations via matrix multiplications

  • هویت های ماتریس افزایشی و ضربی Additive and multiplicative matrix identities

  • ماتریس های متقارن جمعی و ضربی Additive and multiplicative symmetric matrices

  • هادامارد (عنصر) ضرب Hadamard (element-wise) multiplication

  • برابری عملیات ماتریسی Matrix operation equality

  • چالش کد: تقارن ماتریس های متقارن ترکیبی Code challenge: symmetry of combined symmetric matrices

  • ضرب دو ماتریس متقارن Multiplication of two symmetric matrices

  • چالش کد: ضرب استاندارد و هادامارد برای ماتریس های مورب Code challenge: standard and Hadamard multiplication for diagonal matrices

  • چالش کد: تبدیل فوریه از طریق ضرب ماتریس! Code challenge: Fourier transform via matrix multiplication!

  • محصول Frobenius dot Frobenius dot product

  • هنجارهای ماتریس Matrix norms

  • چالش کد: شرایط برای خود الحاق Code challenge: conditions for self-adjoint

  • چالش کد: شاخص عدم تقارن ماتریس Code challenge: The matrix asymmetry index

  • در مورد تقسیم ماتریس چطور؟ What about matrix division?

رتبه ماتریسی Matrix rank

  • رتبه: مفاهیم، ​​اصطلاحات و کاربردها Rank: concepts, terms, and applications

  • حداکثر رتبه ممکن Maximum possible rank.

  • رتبه محاسباتی: نظریه و عمل Computing rank: theory and practice

  • رتبه ماتریس های جمع شده و ضرب شده Rank of added and multiplied matrices

  • حداکثر رتبه ممکن چقدر است؟ What's the maximum possible rank?

  • چالش کد: ماتریس کاهش رتبه از طریق ضرب Code challenge: reduced-rank matrix via multiplication

  • چالش کد: ضرب اسکالر و رتبه Code challenge: scalar multiplication and rank

  • رتبه A^TA و AA^T Rank of A^TA and AA^T

  • چالش کد: رتبه ماتریس های ضرب شده و جمع شده Code challenge: rank of multiplied and summed matrices

  • ساخت یک ماتریس با رتبه کامل با "تغییر" Making a matrix full-rank by "shifting"

  • چالش کد: آیا این بردار در گستره این مجموعه است؟ Code challenge: is this vector in the span of this set?

  • مماس دوره: خود پاسخگویی در یادگیری آنلاین Course tangent: self-accountability in online learning

فضاهای ماتریسی Matrix spaces

  • فضای ستون یک ماتریس Column space of a matrix

  • فضای ستون، در کد تجسم شده است Column space, visualized in code

  • فضای ردیف یک ماتریس Row space of a matrix

  • فضای تهی و فضای خالی سمت چپ یک ماتریس Null space and left null space of a matrix

  • فضاهای ستون/سمت چپ و تهی و ردیف/تهی متعامد هستند Column/left-null and row/null spaces are orthogonal

  • ابعاد فضاهای ستون/ردیف/تهی Dimensions of column/row/null spaces

  • نمونه ای از چهار زیرفضا Example of the four subspaces

  • بیشتر در مورد Ax=b و Ax=0 More on Ax=b and Ax=0

حل سیستم معادلات Solving systems of equations

  • سیستم معادلات: جبر و هندسه Systems of equations: algebra and geometry

  • تبدیل سیستم معادلات به معادلات ماتریسی Converting systems of equations to matrix equations

  • حذف گاوسی Gaussian elimination

  • فرم اسکله و محورها Echelon form and pivots

  • فرم ردیف ردیف کاهش یافته است Reduced row echelon form

  • چالش کد: RREF ماتریس ها با اندازه ها و رتبه های مختلف Code challenge: RREF of matrices with different sizes and ranks

  • فضاهای ماتریسی پس از کاهش ردیف Matrix spaces after row reduction

تعیین کننده ماتریس Matrix determinant

  • تعیین کننده: مفهوم و کاربردها Determinant: concept and applications

  • تعیین کننده یک ماتریس 2x2 Determinant of a 2x2 matrix

  • چالش کد: تعیین کننده ماتریس های کوچک و بزرگ منفرد Code challenge: determinant of small and large singular matrices

  • تعیین کننده یک ماتریس 3x3 Determinant of a 3x3 matrix

  • چالش کد: ماتریس های بزرگ با تبادل ردیف Code challenge: large matrices with row exchanges

  • مقادیر ماتریس را برای یک تعیین کننده معین پیدا کنید Find matrix values for a given determinant

  • چالش کد: تعیین کننده ماتریس های جابجا شده Code challenge: determinant of shifted matrices

  • چالش کد: تعیین کننده محصول ماتریس Code challenge: determinant of matrix product

ماتریس معکوس Matrix inverse

  • معکوس ماتریس: مفهوم و کاربردها Matrix inverse: Concept and applications

  • محاسبه معکوس در کد Computing the inverse in code

  • معکوس یک ماتریس 2x2 Inverse of a 2x2 matrix

  • الگوریتم MCA برای محاسبه معکوس The MCA algorithm to compute the inverse

  • چالش کد: پیاده سازی الگوریتم MCA!! Code challenge: Implement the MCA algorithm!!

  • محاسبه معکوس از طریق کاهش ردیف Computing the inverse via row reduction

  • چالش کد: معکوس یک ماتریس مورب Code challenge: inverse of a diagonal matrix

  • چپ معکوس و راست معکوس Left inverse and right inverse

  • معکوس های یک طرفه در کد One-sided inverses in code

  • اثبات: معکوس منحصر به فرد است Proof: the inverse is unique

  • شبه معکوس، قسمت 1 Pseudo-inverse, part 1

  • چالش کد: شبه معکوس ماتریس های معکوس Code challenge: pseudoinverse of invertible matrices

  • چرا باید از معکوس اجتناب کنید؟ Why should you avoid the inverse?

پیش بینی ها و متعامدسازی Projections and orthogonalization

  • پیش بینی ها در R^2 Projections in R^2

  • پیش بینی ها در R^N Projections in R^N

  • اجزای بردار متعامد و موازی Orthogonal and parallel vector components

  • چالش کد: بردار را به اجزای متعامد تجزیه کنید Code challenge: decompose vector to orthogonal components

  • ماتریس های متعامد Orthogonal matrices

  • روش گرام اشمیت Gram-Schmidt procedure

  • تجزیه QR QR decomposition

  • چالش کد: الگوریتم گرام اشمیت Code challenge: Gram-Schmidt algorithm

  • معکوس ماتریس از طریق تجزیه QR Matrix inverse via QR decomposition

  • چالش کد: معکوس از طریق QR Code challenge: Inverse via QR

  • چالش کد: معکوس شرمن-موریسون را ثابت و نشان دهید Code challenge: Prove and demonstrate the Sherman-Morrison inverse

  • چالش کد: A^TA = R^TR Code challenge: A^TA = R^TR

حداقل مربعات برای برازش مدل در آمار Least-squares for model-fitting in statistics

  • مقدمه ای بر حداقل مربعات Introduction to least-squares

  • حداقل مربعات از طریق معکوس چپ Least-squares via left inverse

  • حداقل مربعات از طریق طرح ریزی متعامد Least-squares via orthogonal projection

  • حداقل مربعات از طریق کاهش ردیف Least-squares via row-reduction

  • مقادیر و باقیمانده های پیش بینی شده توسط مدل Model-predicted values and residuals

  • کاربرد حداقل مربعات 1 Least-squares application 1

  • کاربرد حداقل مربعات 2 Least-squares application 2

  • چالش کد: حداقل مربعات از طریق تجزیه QR Code challenge: Least-squares via QR decomposition

تجزیه ویژه Eigendecomposition

  • مقادیر ویژه و بردارهای ویژه چیست؟ What are eigenvalues and eigenvectors?

  • یافتن مقادیر ویژه Finding eigenvalues

  • میانبر برای مقادیر ویژه یک ماتریس 2x2 Shortcut for eigenvalues of a 2x2 matrix

  • چالش کد: مقادیر ویژه ماتریس های مورب و مثلثی Code challenge: eigenvalues of diagonal and triangular matrices

  • چالش کد: مقادیر ویژه ماتریس های تصادفی Code challenge: eigenvalues of random matrices

  • یافتن بردارهای ویژه Finding eigenvectors

  • تجزیه ویژه با دست: دو مثال Eigendecomposition by hand: two examples

  • مورب سازی Diagonalization

  • قدرت های ماتریس از طریق مورب Matrix powers via diagonalization

  • چالش کد: تجزیه ویژه تفاوت های ماتریس Code challenge: eigendecomposition of matrix differences

  • بردارهای ویژه مقادیر ویژه متمایز Eigenvectors of distinct eigenvalues

  • بردارهای ویژه مقادیر ویژه مکرر Eigenvectors of repeated eigenvalues

  • تجزیه ویژه ماتریس های متقارن Eigendecomposition of symmetric matrices

  • لایه های ویژه یک ماتریس Eigenlayers of a matrix

  • چالش کد: بازسازی یک ماتریس از لایه های ویژه Code challenge: reconstruct a matrix from eigenlayers

  • تجزیه ویژه ماتریس های منفرد Eigendecomposition of singular matrices

  • چالش کد: ردیابی و تعیین کننده، مجموع مقادیر ویژه و محصول Code challenge: trace and determinant, eigenvalues sum and product

  • تجزیه ویژه تعمیم یافته Generalized eigendecomposition

  • چالش کد: GED در ماتریس های کوچک و بزرگ Code challenge: GED in small and large matrices

تجزیه مقدار منفرد Singular value decomposition

  • تجزیه مقدار منفرد (SVD) Singular value decomposition (SVD)

  • آیا این دو عبارت برابرند؟ Are these two expressions equal?

  • چالش کد: SVD در مقابل تجزیه ویژه برای ماتریس های متقارن مربع Code challenge: SVD vs. eigendecomposition for square symmetric matrices

  • رابطه بین مقادیر مفرد و مقادیر ویژه Relation between singular values and eigenvalues

  • چالش کد: U از تجزیه ویژه A^TA Code challenge: U from eigendecomposition of A^TA

  • چالش کد: A^TA، Av، و بردارهای منفرد Code challenge: A^TA, Av, and singular vectors

  • SVD و چهار فضای فرعی SVD and the four subspaces

  • نظریه طیفی ماتریس ها Spectral theory of matrices

  • SVD برای تقریب های رتبه پایین SVD for low-rank approximations

  • مقادیر مفرد را به درصد واریانس تبدیل کنید Convert singular values to percent variance

  • چالش کد: چه زمانی UV^T معتبر است، هنجار آن چیست و آیا متعامد است؟ Code challenge: When is UV^T valid, what is its norm, and is it orthogonal?

  • مقادیر منفرد یک ماتریس متعامد Singular values of an orthogonal matrix

  • SVD، معکوس ماتریس و شبه معکوس SVD, matrix inverse, and pseudoinverse

  • SVD، (شبه) معکوس، و معکوس چپ SVD, (pseudo)inverse, and left-inverse

  • شماره شرط یک ماتریس Condition number of a matrix

  • چالش کد: ایجاد ماتریس با شماره شرط دلخواه Code challenge: Create matrix with desired condition number

  • چالش کد: چرا از معکوس اجتناب می کنید؟ Code challenge: Why you avoid the inverse

شکل درجه دوم و قطعیت Quadratic form and definiteness

  • شکل درجه دوم در جبر The quadratic form in algebra

  • شکل درجه دوم در هندسه The quadratic form in geometry

  • فرم درجه دوم نرمال شده The normalized quadratic form

  • چالش کد: فرم درجه دوم نرمال شده را تجسم کنید Code challenge: Visualize the normalized quadratic form

  • بردارهای ویژه و سطح درجه دوم شکل می گیرند Eigenvectors and the quadratic form surface

  • کاربرد فرم درجه دوم نرمال شده: PCA Application of the normalized quadratic form: PCA

  • شکل درجه دوم تجزیه ویژه تعمیم یافته Quadratic form of generalized eigendecomposition

  • قطعیت ماتریس، هندسه و مقادیر ویژه Matrix definiteness, geometry, and eigenvalues

  • اثبات: A^TA همیشه مثبت (نیمه) معین است Proof: A^TA is always positive (semi)definite

  • اثبات: مقادیر ویژه و قطعیت ماتریس Proof: Eigenvalues and matrix definiteness

بخش پاداش Bonus section

  • سخنرانی پاداش Bonus lecture

نمایش نظرات

آموزش جبر خطی کامل: تئوری و پیاده سازی در کد
جزییات دوره
34 hours
172
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
28,934
4.8 از 5
دارد
دارد
دارد
Mike X Cohen
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mike X Cohen Mike X Cohen

من دانشیار علوم اعصاب در دانشگاه رادبود (هلند) هستم. آزمایشگاه تحقیقاتی من از روش های علوم اعصاب پیشرفته برای اندازه گیری فعالیت الکتریکی مغز استفاده می کند و ما برای درک همه داده ها از روش های پیشرفته پردازش سیگنال چند متغیره و روش یادگیری ماشین یادگیری استفاده می کنیم! من چندین کتاب درسی درباره برنامه نویسی علمی در MATLAB ، پردازش سیگنال و آمار نوشته ام. من همچنین معتقد به اهمیت ادامه تحصیل در سطح حرفه ای هستم. تمرکز آموزش Pluralsight من تجزیه و تحلیل داده های عملی در MATLAB است. آموزش مباحث فنی می تواند یک چالش برای دوره های آنلاین باشد که تعاملات رو در رو در زمان واقعی ندارند. من تمام تلاشم را می کنم تا تعادل درستی بین درک و دقت ریاضی و بین تئوری و اجرا پیدا کنم. امیدوارم موافقت کنید و مشتاقانه منتظر دیدن شما در کلاس هستم!