AI人工智能零基础必备技能之数学基础与python实战(线性代数、概率统计、凸优化、numpy)
  
收藏课程
9999+

AI人工智能零基础必备技能之数学基础与python实战(线性代数、概率统计、凸优化、numpy)

本课程围绕AI中最重要的三门数学:线性代数、概率统计、凸优化的工程精华进行提炼,并提供配套的python代码实战,让同学既能掌握理论,又能通过实战融会贯通。 ...

适合人群:高级
课时数量:26课时
用到技术:AI、人工智能、人工智能的数学、数学基础、人工智能python实战
涉及项目:PCA数据降维 SVD矩阵分解图像压缩 朴素贝叶斯和垃圾邮件分类 方差分析的方法比较数据差异性 数据可视化分析(提供适用绝大多数场景的代码模板) 手工推导sigmoid函数梯度 手工推导逻辑回归 手工

  • 课程顾问贴心解答

    为你推荐精品课程,无论就业还是升职加薪,毫无压力。

  • 名企定制紧随大流

    量身打造紧贴企业需求的实用性课程。

  • 系统教学把控效果

    集学、测、练为一体的学习系统为你科学的安排学习进度,提高效率。

  • 一线大师1对1指导

    课程研发团队内一线资深讲师一对一指导,手把手教学,直到学会。

  • 点播答疑完美结合

    每周2-3次直播解答,保证学员日常学习问题能得到解决。

  • 量身定制学习计划

    告别杂乱的学习方式,我们会根据你的情况定制学习计划。


人工智能AI是这一波互联网热潮,各行各业的大小公司都在拼命上车,如果未来10年你还想靠IT技术养家糊口、改善生活,投身AI恰逢其时。
目前市场上对AI人员需求巨大,但是由于传统教育的缺失,相关人员非常短缺。虽然各大高校甚至中学都开始引入AI教育,好消息是这拨学生还没毕业,目前市场竞争压力不大。而传统的Java程序员、Python程序员(只会写爬虫、做网站)却竞争激烈。而且AI程序员的薪资要普遍高于传统程序员,所以对于传统程序员来说,这是绝对的利好环境。
雷司令说过:只要站在风口上,猪都能飞起来,我们有什么理由不努力成为飞起来的猪呢?
市场上关于人工智能的培训课程很多,但都是讲案例、讲算法,大圣老师以过来人的身份告诉大家,这种方法学习成本会非常高,因为AI核心是数学,而不是代码。想绕过数学其实是一种鸵鸟策略,学再多的案例也是一知半解。真正工程中还是捉襟见肘,举步维艰,面试一关都很难通过。
正因为如此,大圣老师特设计这门数学课程,虽然看起来是笨办法,但是能帮助同学们夯实基础,就像练武术,如果不从扎马步、练内力开始,直接上套路,最终还是花拳绣腿,会被现实打的鼻青脸肿!
数学是绕不过去的,不要妄想通过一两个算法、三五个案例就能入行人工智能!大圣老师诚挚建议。

1.课程研发环境
开发语言:python 2.7,课程中提供多版本python共存的部署技巧。
代码都在python2.7环境下运行通过
需要numpy、pandas、matplotlib、seaborn等基础包


2.内容简介
本课程围绕AI中最重要的三门数学:线性代数、概率统计、凸优化的工程精华进行提炼,并提供配套的python代码实战,让同学既能掌握理论,又能通过实战融会贯通。
本课程不同于学院派枯燥严谨的讲解方式,都是用白话方式讲解。也不根据某本教科书为蓝本,完全结合工程,突出“实用”原则,只讲工程中真正用到的内容和方法,比如线性代数,学院教科书会大幅篇章介绍方程组各种求解,其实工程中根本用不到。真正实用的PCA、SVD反而才是重点。

大圣老师:十余年软件研发、数据挖掘、机器学习工作经历,非学院派的工程实战派讲师,现人工智能创业者。
曾就职于阿里巴巴、雅虎、移动、银行等大企业的数据团队,国内最早竞价广告算法程序员,参与并负责过电商、搜索、运营商、金融行业的推荐系统、风控系统的项目建设,实战经验丰富。
任教期间善于化繁为简,能把复杂、琐碎的知识点融会贯通,结合工程需求和工作经验,一语中的的向学员讲解核心技能点的学习技巧和实用场景,课下对学员有耐心,乐于分享。

前言:课程介绍和经验分享
第一部分:环境准备
1.python介绍和环境准备
2.多版本anaconda共存环境安装部署


第二部分:精通numpy
3. 精通numpy .numpy速览
4. 精通numpy .认识ndarray
5. 精通numpy .创建ndarray对象的几种方法
6. 精通numpy .从文件读取数据
7. 精通numpy .数组的拆分
8. 精通numpy .数组的合并
9. 精通numpy .如何访问数组元素
10. 精通numpy .布尔数组下标法访问数组元素
11. 精通numpy .整数列表索引和花式索引
12. 精通numpy .unfunc和broadcast
13. 精通numpy .ufunc案例实战.knn分类器
14. 精通numpy .认识矩阵
15. 精通numpy .矩阵的特点
16. 精通numpy .python的线性代数库


第三部分:实用线性代数
17. 实用线性代数.向量的概念和四则运算
18. 实用线性代数.从相似度到距离
19. 实用线性代数.从线性方程组到矩阵
20. 实用线性代数.从方程组的解到行列式
21. 实用线性代数.矩阵的四则运算和矩阵乘法的四种视角
22. 实用线性代数.子空间.线性无关.基.正交基
23. 实用线性代数.矩阵和线性变换的关系
24. 实用线性代数.相似矩阵和特征值特征向量相似对角化
25. 实用线性代数.相似对角化在解释矩阵线性变换时的问题简化
26. 实用线性代数.对称方阵的正交分解
27. 实用线性代数.pca精讲
28. 实用线性代数.svd分解及其几何意义
29. 实用线性代数.pca数据降维实战
30. 实用线性代数.svd分解和图像压缩实战


第四部分:实用概率统计
30.概率统计.概率中的基本概念(随机变量、分布)
31.概率统计.概率中的基本概念(分布函数和数字特征)
32.概率统计.典型的分布和他们的数字特征
33.概率统计.随机向量
34.概率统计.协方差和pca
35.概率统计.python中如何生成常见分布的随机变量
36.概率统计.朴素贝叶斯和垃圾邮件分类背景介绍
37.概率统计.朴素贝叶斯和垃圾邮件分类代码详解
38.概率统计.统计基础
39.概率统计.数据的描述统计
40.概率统计.极大似然估计
41.概率统计.极大后验概率
42.概率统计.什么是假设检验
43.概率统计.假设检验怎么做
44.概率统计.检查结果怎么读
45.概率统计.为什么假设检验可行
46.概率统计.什么是方差分析
47.概率统计.python方差分析


第五部分:python可视化数据分析
48.python数据可视化分析.可视化分析技术路线综述
49.python数据可视化分析.轮廓图的使用
50.python数据可视化分析.调和曲线图的使用
51.python数据可视化分析.直方图的使用
52.python数据可视化分析.核密度曲线的使用
53.python数据可视化分析.箱线图的使用
54.python数据可视化分析.分组箱线图的使用
55.python数据可视化分析.散点图矩及相关系数矩阵热力图的使用

第六部分:凸优化
56.凸优化.微分和全微分
57.凸优化.高数复习(方向导数和梯度向量)
58.凸优化.导数和函数极值的关系(泰勒展开)
59.凸优化.梯度下降算法
60.凸优化.梯度下降的各种优化
61.凸优化.常见损失函数的梯度推导之均方误差的梯度
62.凸优化.sigmoid函数求导
63.凸优化.第一种场景log loss的梯度推导
64.凸优化.spark中log loss的梯度推导
65.凸优化.凸集
66.凸优化.凸函数
67.凸优化.保凸运算
68.凸优化.凸优化问题
69.凸优化.对偶理论
70.凸优化.对偶的理解和强对偶条件(kkt)
71.凸优化.svm的基本概念和原始问题表述
72.凸优化.svm问题的标准形式
73.凸优化.svm的对偶问题和kkt条件,以及最终的决策
74.凸优化.svm对线性不可分问题和核函数技巧

 

 

 

 

目标一.掌握AI人工智能、机器学习中必须的数据基础知识,并做到融会贯通,为深入打好基础
目标二.掌握python中必须工具包的使用
目标三.掌握数学重要的工程应用场景,并能动手编码解决实际问题

1、通俗易懂,基础薄弱照样能入门。


2、基于真实数据集进行案例分析。


3、大圣老师答疑,相互促进成长。

1.课程针对人群
1.想要转做机器学习和AI的传统程序员
2.对学院派数学课程有无力感的非理工青年
3.只需要中学数学知识


2.我该怎么学,如何才能学好这门课程,给些建议。

   2.1、时间上的安排建议
      本课程共74讲,如果您时间上充分,建议以每天4-5讲的进度往前学习。 
   2.2、学习要求
     如果您没有基础,建议还是中规中矩的按照课程进度一点一点仔细观看学习,并一定要把看完的视频中的数学公式自己手工演算一遍,以加深理解和记忆
      如果您有基础,可不必按步就搬进行,可以拿你感兴趣的部分去学习,但一定要注意实践,并学会举一反三 

   2.3、讲师建议
         1.最好看完视频之后,抛开视频,独立自己去把上课中的示例写一遍,看自己是否理解,如果不正确,可以回过头看再看下视频,如果反复,达到真正理解和熟练掌握的目的。
         2.对于项目实战部分,一定要自己亲自动手做一遍,不要满足听完就OK了
         3. 建议一边听视频,一边拿个纸和笔,做一些记录和笔记,这是一种非常好的学习习惯。
         4. 一定不要过于依赖视频,要学会看API和使用百度,学会思考,学会举一反三
         5. 最后祝您学有所成

 

本课程属于机器学习、人工智能的数学基础课,学习完毕后你可以从事以下职位相关工作:
1、 数据挖掘工程师
2、 数据分析工程师