人工智能之心：机器学习的数学理论

揭开机器/深度学习的优雅面纱，深入探索数学与人工智能前沿领域交织在一起的迷人世界。欢迎学习“人工智能的核心：机器学习中的数学奇迹”，这是一门精心制作的 Udemy 课程，它阐明了数学原理在塑造现代机器学习景观中的深远作用。踏上揭开神秘面纱的旅程，解开人工智能算法背后的谜团。推动机器学习创新的复杂方程和定理。本课程专为有抱负和经验丰富的数据爱好者而设计，它超越了单纯的实施，而是引导您了解数学核心，使您能够清晰地掌握人工智能模型的内部运作原理。您将学到什么：优化的基础：发现优化之美梯度下降等技术，牛顿法和共轭梯度下降。深入了解这些数学奇迹如何支持微调 AI 模型以获得无与伦比的性能的过程。掌握线性代数：沉浸在线性代数的优雅世界中，其中矩阵、向量和特征值在表达和表达方面发挥着关键作用。转换数据。见证线性代数在构建神经网络和降维方法方面的力量。概率与统计揭秘：揭开概率分布、统计推断和假设检验的秘密——人工智能决策能力的基石。见证这些原理在设计贝叶斯网络和高斯过程中的应用。特征空间中的函数分析：探索函数分析的有趣概念及其在特征工程和核方法中的含义。深入研究支持向量机、核 PCA 和其他利用这一数学基础的先进技术。现实世界的示例和实践见解：Heart Of Ai: A Theoretical Odyssey On Machine Learning

本课程通过将每个概念与现实世界的示例和实践见解相结合，将理论和实践无缝连接起来。从训练神经网络到识别复杂数据集中的模式，您将亲眼目睹所学的数学概念如何转化为有形的人工智能应用。在引人入胜的讲座、互动练习和引人入胜的案例研究的指导下，开启变革性的学习体验。无论您是寻求揭开机器学习数学结构的人工智能爱好者，还是旨在增强专业知识的专业人士，《人工智能的核心：机器学习中的数学奇迹》都是您在人工智能数学核心的复杂领域中导航的指南针。立即注册，踏上加深您的理解、激发您的好奇心并帮助您塑造人工智能未来的旅程。

MP4 | 视频：h264，1280×720 | 语言：英语+中英文字幕（云桥网络 机译）| 时长：3小时58分钟

您将学到什么
对机器学习中数学概念的基本理解
数学在神经网络中的应用
深度学习中数学驱动的问题解决
高级优化和正则化技术

要求
对代数有基本的了解，包括方程、函数和基本运算。
熟悉微积分的基本概念，包括极限、导数和积分。
概率和统计的基础知识，包括概率分布、均值和方差的概念。
Python 等语言的基本编程技能，包括变量、循环和函数。
机器学习概念的基础知识，例如监督学习和无监督学习。

本课程适用于对机器学习感兴趣的人（有基础编程背景）

课程概览：
第 1 部分：课程简介

第一讲课程结构

第 2 节：机器学习的线性代数

第2讲向量和矩阵（标量、向量、矩阵、张量）

第3讲向量运算

第4讲矩阵运算

讲座 5 机器学习规范

第六讲 线性映射和线性变换

第7讲特征值和特征向量

第8讲主成分分析

第9讲LU分解

第10讲QR分解和Gram-Schmid过程

第 3 节：微积分和优化

第11讲微积分、导数和偏导数基础

第12讲梯度和方向导数

讲座 13 积分…二重/三重积分

第14讲局部和全局最小值/最大值

第15讲梯度下降和随机梯度下降

第16讲牛顿法和共轭梯度下降

第17讲正则化技术（L1、L2、弹性网络）

第 4 节：机器学习的概率与统计

第18讲随机变量和概率分布

第19讲联合、边际和条件分布

第20讲假设检验

第21讲置信区间

第22讲最大似然估计（MLE）和贝叶斯估计

第23讲朴素贝叶斯分类器

讲座 24 高斯混合模型 (GMM)

第25讲隐马尔可夫模型（HMM）

第 5 节：多变量微积分和基于梯度的优化

第26讲雅可比矩阵

第27讲链式法则和高阶导数

第28讲Hessian矩阵和二阶条件

第29讲神经网络中的反向传播

第30讲梯度消失与爆炸

讲座 31 优化器（Adam、RMSProp、SGD）

第 6 节：线性回归和熵

第32讲最小二乘估计

讲座 33 正规方程和矩阵公式

讲座34 多项式回归

讲座 35 香农熵

第36讲交叉熵损失

讲座 37 Kullback – 莱布勒散度

第 7 节：神经网络

讲座 38 前馈神经网络 (FNN)

讲座 39 卷积神经网络 (CNN)

讲座 40 循环神经网络（RNN）

第41讲图论与神经网络

讲座 42 自动编码器和变分自动编码器

讲座 43 生成对抗网络 (GAN)

第 8 节：机器学习的高级主题

讲座 44 图像分类和目标检测

讲座 45 自然语言处理（NLP）

第46讲强化学习

讲座 47 量子机器学习

讲座 48 资源和进一步学习