|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/prerequis-ml-dl-indispensables/
课程评论：没有评论
**课程名称：** 机器学习先修课 - Python NumPy 数学 **课程概述：** 本课程旨在帮助学习者在一天内掌握机器学习和深度学习所需的关键先修知识，主要涵盖 Python、NumPy 和数学三个核心领域。 **Python部分：** * 聚焦机器学习和深度学习中的 Python 应用。 * 详细讲解列表的四个必备函数，提升编程效率。 * 深入学习 Python 列表切片（List-Slicing），包括进阶用法（步进切片、反向切片、负步长切片、切片插入与删除），并辅以助记方法和练习。 * 循序渐进地掌握 Python 列表推导式（List-Comprehension）。 * 学习多级索引（Multi-Level Indexing）以方便地处理多维数据。 * 通过 Python 代码演示矩阵乘法，加深对概念的理解。 **NumPy部分：** * 介绍 NumPy 作为 Scikit-Learn、Pandas、Matplotlib 的基础，以及对 TensorFlow 和 PyTorch 的启发作用。 * 讲解 NumPy 中的线性代数，并通过性能对比实验证明 NumPy 的速度优势。 * 阐述广播（Broadcasting）和逐元素操作（Element Wise Operations），提供性能优化建议，强调 NumPy 在 Python 机器学习中的不可或缺性。 * 教授 NumPy 高级切片，实现对矩阵和张量的灵活操作。 * 清晰解释 `numpy.Sum` 的 `axis` 和 `keepdims` 参数，并提供助记方法区分轴（axis 0 和 axis 1）。 * 精通 NumPy 的 `reshape` 方法，包括对初学者常遇到的 `-1` 的用法。 **数学部分：** * 介绍线性代数中的基本概念，包括向量、矩阵和张量。 * 讲解 L1 和 L2 向量范数，强调其在回归模型和神经网络中的重要性。 * 教授欧几里得距离的计算，阐述其在 KNN 和推荐系统中的作用。 * 介绍点积（Dot Product）的计算公式和实现方法。 * 区分 NumPy 的维度和数学中的维度概念。 * 深入讲解深度学习中最重要的操作——矩阵乘法，包括算法层面的解释。 * 理解概率和贝叶斯规则（Bayes Rules），并掌握其速算方法。 * 学会理解相关性（Correlation）的数值和视觉解释。 * 通过 Python 可视化交互式地学习指数函数和对数函数等常用函数。 * 用易懂的方式解释导数（Derivatives）概念，为理解深度学习和梯度下降奠定基础。 * 详解正态分布（高斯分布）。 * 直观理解描述性统计（Descriptive Statistics）并在机器学习项目中进行应用。 **课程目标：** 本课程并非要成为 Python、NumPy 或数学专家，而是为学习者提供进入机器学习领域所需的工具和信心，让他们在后续学习中能够更顺畅地掌握新概念，解决实际问题，避免因基础知识的不足而感到困惑。 **课程不包含：** * 特征值（Eigenvalues）、特征向量（Eigenvectors）、奇异值分解（SVD）。 * 具体的机器学习或深度学习方法论。 * Python 基础知识（要求学习者已掌握列表、循环、条件语句、函数等基础）。 **适合人群：** * 对机器学习和深度学习感兴趣，需要夯实基础的学习者。 * 在处理数据或遇到错误信息（如 shape, broadcast, slice, dimension）时感到困惑的学习者。 * 希望快速掌握核心的 Python、NumPy 和数学概念，自信地开启机器学习之旅的学习者。
L'objectif de ce cour est simple: enseigner en moins d'une journée tous les prérequis pour se lancer sans encombres dans le Machine Learning.Au menu, trois piliers: Python, Numpy et Mathématiques.Python spécifiquement pour le ML et le DL • Les 4 fonctions fantastiques de listes indispensables pour gagner du temps.• Le List-Slicing en Python n'aura plus de secrets pour vous (explications + moyens Mnémotechniques + exercices).• Advanced List-Slicing (au menu: Step-Slicing, Reverse Slicing, Negative Step Slicing et Slice Insert + Slice Delete).• Les List-Comprehension en Python (explications pas à pas pour maîtriser ce concept ultrapratique à vie).• Multi-Level Indexing (mes raccourcis pour se repérer en plusieurs dimensions).• Matrix Multiplication avec les listes (vraiment important qu'on l'explique en code Python simple afin de bien ancrer le concept et le fonctionnement)Numpy (l'engin qui fait tourner Scikit-Learn, Pandas et Matplolib et a inspiré Tensorflow (de Google) et Pytorch (de Facebook)• Linear Algebra avec Numpy, pourquoi Numpy est plus rapide que Python pur (+ le TP qui vous le prouvera en comparant les performances de vitesse de Numpy et de Python)• Broadcasting & Element Wise Operations & Conseils pour optimiser la performance (comprenez: pourquoi Numpy est indispensable au ML en Python).• 50 nuances de Numpy Advanced Slicing (faites ce que vous voulez de vos matrices et tenseurs pour ne plus jamais devoir aller sur Stack Overflow pour réussir à faire ce que vous voulez).• Les mystères de Tensor numpy.Sum et les arguments Axis & Keepdims enfin expliqués clairement (et le moyen mnémotechnique pour ne jamais oublier quel est l'axe 0 et l'axe 1).• Numpy Reshape Ninja (domptez la méthode reshape et le fameux -1 qui bloquent tant de débutant·es).Mathématiques spécifiquement pour démarrer en Maths et DL• Algèbre Linéaire, Vecteur, Matrice, Tenseur (tous les éléments essentiels du ML et du Deep Learning).• Normes d'un vecteur L1 et L2 (ultra important pour les modèles de Régressions, linéaires et logistiques et pour les Réseaux de Neurones) • Distance Euclidienne (savoir la calculer ; important pour les KNN et les Systèmes de Recommandations).• Produit Scalaire (a.k.a. le dot product, connaître la formule et savoir l'implémenter.• Différencier Dimension Numpy et Dimension Mathématiques (pour que ce point confus devienne clair comme de l'eau de roche).• Multiplication Matricielle (tout pour maîtriser l'opération la plus importante du Deep Learning, expliqué algorithmiquement).• Probabilités & Bayes Rules (comprendre la Bayes Rules et savoir la retrouver de tête ; indispensable pour le ML).• Comprendre la corrélation (interpréter numériquement et visuellement).• Fonctions Usuelles (dont exponentielle et logarithme) avec visualisation interactive d'une surface en 3D avec Python.• Concept de Dérivées (expliqué simplement, juste ce qu'il faut pour pouvoir comprendre le Deep Learning et la descente de Gradient).• Tout ce qu'il faut savoir de la loi Normale (Gaussienne).• Les Statistiques Descriptives et comment les comprendre intuitivement (indispensable, car on les utilise à chaque début de projet ML et Data Science en Python).Le but n'est pas de faire de vous des expert·es en Python, Maths et Numpy. Le but est de vous donner les armes nécessaires pour progresser dans votre carrière en ML sans confusion et sans douter de vous.Après ce cours, vous pourrez continuer à apprendre les concepts dont vous aurez besoin quand vous les rencontrerez car vous aurez déjà acquis les concepts clefs pour démarrer.Plus besoin de faire 6 semestres de cours de Mathématiques à l'université, une journée suffit.Plus besoin de bloquer quand on rencontre un message d'erreur qui parle de shape, de broadcast, de slice ou de dimension.Plus besoin de passer 2 heures à trouver comment manipuler votre liste pour obtenir le résultat que vous voulez.ATTENTION, ce cours parle de Machine Learning et de Deep Learning avec Python mais n'est pas un cours de ML ou DL.Egalement bon à savoir, ce cours n'inclus pas:• Eigenvalues & Eigenvectors & SVD ;• De méthodologie Machine Learning ou Deep Learning à proprement parler ;• Ce n'est pas un cours PYTHON, vous devez connaître les fondamentaux de Python (listes, boucles, if, fonctions, a minima).Si vous connaissez tout ce que j'ai listé plus haut, ce qui peut être considéré comme les "bases des bases", alors je tiens à vous dire que vous avez tout ce qu'il faut pour réussir. Ayez confiance en vous!Si des points aiguisent votre curiosité ou vous sont peu ou pas connus, alors ce cours est fait pour vous!
