18 657 Matemática de Aprendizagem de Máquina Fall 2015

Por trás de cada poderoso algoritmo de machine learning existe um mecanismo matemático robusto que impulsiona suas previsões e decisões. Se você quiser realmente entender como esses modelos funcionam, em vez de apenas importar bibliotecas, dominar a matemática subjacente é o primeiro passo essencial. Este curso somente de texto orienta você através dos conceitos matemáticos fundamentais que impulsionam o aprendizado de máquina moderno. Ao ler explicações claras, analisar provas passo a passo e trabalhar através de exercícios escritos, você passará de aplicar algoritmos cegamente para entender os princípios estatísticos e algébricos que os regem. O que você aprenderá: Entenda os princípios fundamentais da álgebra linear e do cálculo multivariado usados na transformação de dados; Aplique a teoria da probabilidade e a estatística para modelar a incerteza e analisar as distribuições de dados. Explore a teoria da otimização, com foco na dinâmica de descida de gradiente e paisagens de perda modernas; Avalie a teoria de aprendizado estatístico para entender os limites de generalização e evitar o overfitting; Interprete os desafios de dados de alta dimensão e as formas matemáticas de enfrentá-los. O curso começa com terminologia essencial e definições fundamentais em álgebra linear e probabilidade. A partir daí, você progredirá para técnicas de otimização e teoria de aprendizado estatístico, explorando como essas estruturas matemáticas são aplicadas para analisar o desempenho algorítmico do mundo real. Este curso é projetado para iniciantes que desejam construir uma base matemática forte para o aprendizado de máquina, sem necessidade de conhecimento matemático avançado, à medida que construímos a partir de conceitos fundamentais. Comece a ler hoje para desvendar os segredos matemáticos por trás dos algoritmos que você usa todos os dias.