این دوره دوم در مدل‌سازی آماری دانشجویان را با مطالعه تحلیل واریانس (ANOVA)، تحلیل کوواریانس (ANCOVA) و طراحی تجربی آشنا می‌کند. ANOVA و ANCOVA که به عنوان یک نوع مدل رگرسیون خطی ارائه شده‌اند، مبنای ریاضی را برای طراحی آزمایش‌ها برای کاربردهای علم داده فراهم می‌کنند. تاکید بر مفاهیم مهم مرتبط با طراحی، مانند تصادفی سازی، مسدود کردن، طراحی فاکتوریل و علیت خواهد بود. همچنین به مسائل اخلاقی که در آزمایش‌ها مطرح می‌شوند، توجه خاصی می‌شود. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید. لوگوی اقتباس شده از عکس وینسنت لدوینا در Unsplash

به تازگی برای سال 2024 به روز شده است! Mathematics for Machine Learning and Data Science یک برنامه آنلاین پایه است که توسط DeepLearning.AI ایجاد شده و توسط Luis Serrano تدریس می شود. در یادگیری ماشینی، شما مفاهیم ریاضی را از طریق برنامه نویسی به کار می برید. و بنابراین، در این تخصص، مفاهیم ریاضی را که با استفاده از برنامه نویسی پایتون یاد می گیرید، در تمرینات آزمایشگاهی عملی به کار خواهید برد. به عنوان یک زبان آموز در این برنامه، برای موفقیت به مهارت های برنامه نویسی پایتون اولیه تا متوسط ​​نیاز دارید. پس از اتمام این دوره، شما قادر خواهید بود: • داده ها را به صورت بردارها و ماتریس ها نشان می دهد و ویژگی های آنها را با استفاده از مفاهیم تکینگی، رتبه و استقلال خطی و غیره شناسایی می کند. • اعمال مشترک عملیات جبر بردار و ماتریس مانند حاصل ضرب نقطه، معکوس، و دترمینال • انواع خاصی از عملیات ماتریس را به صورت تبدیل خطی بیان کنید • مفاهیم مقادیر ویژه و بردارهای ویژه را در مسائل یادگیری ماشین اعمال کنید بسیاری از مهندسان یادگیری ماشین و دانشمندان داده در زمینه ریاضیات به کمک نیاز دارند، و حتی تمرین‌کنندگان با تجربه نیز می‌توانند از کمبود مهارت‌های ریاضی عقب‌مانده شوند. این تخصص از آموزش نوآورانه در ریاضیات استفاده می‌کند تا به شما کمک کند تا سریع و شهودی یاد بگیرید، با دوره‌هایی که از تجسم‌های ساده برای پیگیری استفاده می‌کنند تا به شما کمک کنند تا ببینید که چگونه ریاضیات پشت یادگیری ماشین واقعاً کار می‌کند.  ما به شما توصیه می کنیم سطح ریاضی دبیرستان (توابع، جبر پایه) و آشنایی با برنامه نویسی (ساختارهای داده، حلقه ها، توابع، دستورات شرطی، اشکال زدایی) داشته باشید. تکالیف و آزمایشگاه‌ها در پایتون نوشته شده‌اند، اما این دوره تمام کتابخانه‌های یادگیری ماشینی را که استفاده می‌کنید معرفی می‌کند.

این دوره همه چیز در مورد داده ها است و اینکه چگونه برای موفقیت مدل یادگیری ماشین کاربردی شما بسیار مهم است. گذراندن این دوره به زبان آموزان این مهارت ها را می دهد: درک عناصر حیاتی داده ها در مراحل یادگیری، آموزش و عملیات سوگیری ها و منابع داده را درک کنید تکنیک هایی را برای بهبود کلیت مدل خود اجرا کنید عواقب بیش از حد برازش را توضیح دهید و اقدامات کاهشی را شناسایی کنید اقدامات آزمون و اعتبارسنجی مناسب را اجرا کنید. نشان دهید که چگونه می توان دقت مدل شما را با مهندسی ویژگی های متفکرانه بهبود بخشید. تأثیر پارامترهای الگوریتم بر قدرت مدل را بررسی کنید برای موفقیت در این دوره، باید حداقل پیشینه سطح مبتدی در برنامه نویسی پایتون داشته باشید (به عنوان مثال، بتوانید کدهای موجود را بخوانید و کدنویسی کنید، با شرط ها، حلقه ها، متغیرها، لیست ها، دیکشنری ها و آرایه ها راحت باشید). شما باید درک اولیه ای از جبر خطی (نماد برداری) و آمار (توزیع احتمال و میانگین / میانه / حالت) داشته باشید. این سومین دوره از تخصص یادگیری ماشین کاربردی است که توسط Coursera و موسسه هوش ماشین آلبرتا برای شما آورده شده است.

این دوره در سطح متوسط، مبانی ریاضی را برای استخراج تجزیه و تحلیل مؤلفه اصلی (PCA)، یک تکنیک کاهش ابعاد بنیادی معرفی می‌کند. ما برخی از آمارهای اولیه مجموعه داده‌ها را پوشش می‌دهیم، مانند مقادیر میانگین و واریانس، فاصله‌ها و زوایای بین بردارها را با استفاده از محصولات داخلی محاسبه می‌کنیم و پیش‌بینی‌های متعامد داده‌ها را بر روی فضاهای فرعی با ابعاد پایین‌تر استخراج می‌کنیم. با استفاده از همه این ابزارها، ما PCA را به عنوان روشی استخراج می کنیم که میانگین مربعات خطای بازسازی بین نقاط داده و بازسازی آنها را به حداقل می رساند. در پایان این دوره، شما با مفاهیم مهم ریاضی آشنا می شوید و می توانید PCA را به تنهایی پیاده سازی کنید. اگر مشکل دارید، مجموعه‌ای از نوت‌بوک‌های ژوپیتر را پیدا خواهید کرد که به شما امکان می‌دهند ویژگی‌های تکنیک‌ها را کشف کنید و آنچه را که برای رسیدن به مسیر باید انجام دهید، راهنمایی کنید. اگر قبلاً متخصص هستید، این دوره ممکن است بخشی از دانش شما را تازه کند. سخنرانی ها، مثال ها و تمرین ها نیاز دارند: 1. برخی از توانایی های تفکر انتزاعی 2. پیشینه خوب در جبر خطی (به عنوان مثال جبر ماتریسی و برداری، استقلال خطی، مبنا) 3. پیشینه اساسی در حساب چند متغیره (به عنوان مثال، مشتقات جزئی، بهینه سازی اساسی) 4. دانش اولیه در برنامه نویسی پایتون و numpy سلب مسئولیت: این دوره به طور قابل ملاحظه ای انتزاعی تر است و به برنامه نویسی بیشتری نسبت به دو دوره دیگر تخصصی نیاز دارد. با این حال، اگر می‌خواهید الگوریتم‌های یادگیری ماشین را درک و توسعه دهید، این نوع تفکر انتزاعی، دستکاری جبری و برنامه‌نویسی ضروری است.

در این دوره در مورد جبر خطی، به بررسی این موضوع می پردازیم که جبر خطی چیست و چگونه با بردارها و ماتریس ها ارتباط دارد. سپس بررسی می کنیم که بردارها و ماتریس ها چیست و چگونه با آنها کار کنیم، از جمله مسئله گره ای مقادیر ویژه و بردارهای ویژه، و نحوه استفاده از آنها برای حل مسائل. در نهایت به نحوه استفاده از اینها برای انجام کارهای سرگرم کننده با مجموعه داده ها می پردازیم - مانند نحوه چرخش تصاویر چهره ها و نحوه استخراج بردارهای ویژه برای بررسی نحوه عملکرد الگوریتم Pagerank. از آنجایی که هدف ما برنامه‌های مبتنی بر داده است، برخی از این ایده‌ها را نه فقط روی مداد و کاغذ، به صورت کد پیاده‌سازی می‌کنیم. در پایان دوره، بلوک‌های کد می‌نویسید و با نوت‌بوک‌های Jupyter در پایتون مواجه می‌شوید، اما نگران نباشید، این‌ها کاملاً کوتاه هستند، روی مفاهیم متمرکز هستند و اگر قبلاً کدنویسی نکرده‌اید، شما را راهنمایی می‌کنند. در پایان این دوره، درک شهودی از بردارها و ماتریس ها خواهید داشت که به شما کمک می کند شکاف را به مسائل جبر خطی پر کنید و چگونه این مفاهیم را در یادگیری ماشین به کار ببرید.

این دوره تخصص GPU را با تمرکز بر کتابخانه های پیشرو توزیع شده به عنوان بخشی از جعبه ابزار CUDA تکمیل می کند. دانش آموزان یاد خواهند گرفت که چگونه از CuFFT و کتابخانه های جبر خطی برای انجام محاسبات پیچیده ریاضی استفاده کنند. قابلیت های کتابخانه Thrust در نمایش ساختارهای داده رایج و الگوریتم های مرتبط معرفی خواهد شد. با استفاده از cuDNN و cuTensor آنها قادر خواهند بود برنامه های کاربردی یادگیری ماشینی را توسعه دهند که به تشخیص اشیا، ترجمه زبان انسانی و طبقه بندی تصاویر کمک می کند.

یادگیری ماشین و علم داده محبوب ترین موضوعات تحقیقاتی امروزه هستند. آنها در تمام زمینه های مهندسی و علوم کاربرد دارند. ابزارهای مختلف یادگیری ماشین راه حلی مبتنی بر داده برای مشکلات مختلف زندگی واقعی ارائه می دهند. دانش اولیه جبر خطی برای توسعه الگوریتم‌های جدید برای یادگیری ماشین و علم داده ضروری است. در این دوره با مفاهیم ریاضی مرتبط با جبر خطی که شامل فضاهای برداری، زیرفضاها، دهانه خطی، مبنا و بعد است آشنا می شوید. همچنین تبدیل خطی، رتبه و بی‌ثباتی تبدیل خطی، مقادیر ویژه، بردارهای ویژه و مورب‌سازی ماتریس‌ها را پوشش می‌دهد. مفاهیم تجزیه ارزش منفرد، فضای محصول درونی، و هنجار بردارها و ماتریس ها، محتوای دوره را بیشتر غنی می کند.

این دوره همچنین می تواند برای اعتبار آکادمیک به عنوان ECEA 5610، بخشی از مدرک کارشناسی ارشد CU Boulder در مهندسی برق، اخذ شود. این دوره مفاهیم و موضوعات اساسی مکانیک کوانتومی را پوشش می دهد که شامل مفاهیم اساسی، مسائل بالقوه یک بعدی، تکامل زمانی حالات کوانتومی و جبر خطی ضروری است. این دانش پایه در سطح کارشناسی را ارائه می دهد و موضوعات پیشرفته تری را بر اساس آنها ایجاد می کند. در پایان این دوره فراگیران قادر خواهند بود: 1. نشان دادن درک کامل مفاهیم اساسی در مکانیک کوانتومی از جمله دوگانگی موج-ذره، عملگرها و توابع موج، و تکامل حالات کوانتومی، 2. دستیابی به تسلط بر دستگاه ریاضی مورد نیاز برای مکانیک کوانتومی و 3. دستیابی به دانش بنیادی مورد نیاز برای یادگیری مکانیک کوانتومی و کاربردهای پیشرفته تر.

به مدل های خطی پیشرفته برای علم داده کلاس 1: حداقل مربعات خوش آمدید. این کلاس مقدمه ای بر حداقل مربعات از منظر جبری خطی و ریاضی است. قبل از شروع کلاس مطمئن شوید که موارد زیر را دارید: - درک اولیه از جبر خطی و حساب دیفرانسیل و انتگرال چند متغیره. - درک اولیه از آمار و مدل های رگرسیون. - حداقل آشنایی کمی با ریاضیات مبتنی بر اثبات. - آشنایی اولیه با زبان برنامه نویسی R پس از گذراندن این دوره، دانش‌آموزان پایه محکمی در درمان جبری خطی مدل‌سازی رگرسیون خواهند داشت. این به میزان زیادی درک عمومی دانشمندان داده کاربردی از مدل‌های رگرسیون را افزایش می‌دهد.

در دوره پایانی برنامه مدل‌سازی آماری برای علم داده، فراگیران مجموعه گسترده‌ای از ابزارهای مدل‌سازی آماری پیشرفته‌تر را مطالعه خواهند کرد. چنین ابزارهایی شامل مدل های خطی تعمیم یافته (GLM) خواهند بود که مقدمه ای برای طبقه بندی (از طریق رگرسیون لجستیک) ارائه می دهند. مدل‌سازی ناپارامتریک، از جمله تخمین‌گرهای هسته، هموارسازی خطوط. و مدل های افزایشی تعمیم یافته نیمه پارامتریک (GAMs). تاکید بر درک مفهومی محکم از این ابزارها خواهد بود. همچنین به مسائل اخلاقی مطرح شده با استفاده از مدل‌های آماری پیچیده توجه خواهد شد. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم داده (MS-DS) که در پلت فرم Coursera ارائه می شود، گذراند. MS-DS یک مدرک بین رشته‌ای است که اعضای هیئت علمی بخش‌های ریاضیات کاربردی، علوم کامپیوتر، علوم اطلاعات و سایرین در CU Boulder را گرد هم می‌آورد. با پذیرش مبتنی بر عملکرد و بدون فرآیند درخواست، MS-DS برای افرادی با طیف وسیعی از تحصیلات کارشناسی و/یا تجربه حرفه‌ای در علوم کامپیوتر، علوم اطلاعات، ریاضیات و آمار ایده‌آل است. درباره برنامه MS-DS در https://www.coursera.org/degrees/master-of-science-data-science-boulder اطلاعات بیشتری کسب کنید. لوگوی اقتباس شده از عکس وینسنت لدوینا در Unsplash

در این دوره دوم از تخصص مقدماتی رباتیک، "نقشه برداری رباتیک و تولید مسیر"، شما یاد خواهید گرفت که چگونه سینماتیک معکوس اولیه سیستم های (غیر) هولونومی را با استفاده از رویکرد کنترل بازخورد انجام دهید. همچنین یاد خواهید گرفت که چگونه سیگنال های حسگر چند بعدی مانند اسکنرهای برد لیزری را برای نقشه برداری پردازش کنید. علاوه بر این، تمرکز کلی مکانیسم‌ها و حسگرها را به‌عنوان منابع عدم قطعیت و تکنیک‌های به دست آوردن نحوه مدل‌سازی و کنترل آنها اعمال خواهید کرد. توصیه می شود قبل از شروع این دوره، اولین دوره این تخصص را با عنوان "مقدمه ای بر رباتیک: رفتارهای اساسی" بگذرانید. این دوره را می توان برای اعتبار آکادمیک به عنوان بخشی از مدرک کارشناسی ارشد CU Boulder در علوم کامپیوتر که در پلتفرم Coursera ارائه می شود، گذراند. این مدارک تحصیلات تکمیلی کاملاً معتبر دوره های هدفمند، جلسات کوتاه 8 هفته ای و شهریه پرداختی را ارائه می دهند. پذیرش بر اساس عملکرد در سه دوره مقدماتی است، نه سابقه تحصیلی. مدارک CU در Coursera برای فارغ التحصیلان اخیر یا متخصصان شاغل ایده آل است. بیشتر بدانید: کارشناسی ارشد در علوم کامپیوتر: https://coursera.org/degrees/ms-computer-science-boulder