博学谷 > 优质课 > 数据科学人工智能数学基础

数据科学人工智能数学基础

数据科学人工智能数学基础

本课程旨在帮助有意向学习人工智能或数据科学方向课程的同学快速打下数学基础。课程内容涉及高等数学,线性代数,概率论与统计学,在学习过程中应当以理解为出发点并不需要死记每一个公式,快速掌握核心知识内容。

主讲:Tyler老师 | 课程时长:19.3课时 | 学习人数:23人 | 难度: 基础

¥199.00 ¥298.00

立即报名

1024程序员节 提升课专属优惠

一键领取
了解详情

课程简介

本课程旨在帮助有意向学习人工智能或数据科学方向课程的同学快速打下数学基础。课程内容涉及高等数学,线性代数,概率论与统计学,在学习过程中应当以理解为出发点并不需要死记每一个公式,快速掌握核心知识内容。

适合人群

准备学习或从事人工智能相关课程或行业的同学们

课程特色

1. 通俗易懂,快速入门:对复杂的数学知识点进行通俗讲解,零基础即可入门
2. 面面俱到,全副武装:课程覆盖高等数学,线性代数,概率论,统计分析核心内容

主讲内容

第一章:高等数学基础
课程简介
函数
极限
无穷小与无穷大
连续性与导数
偏导数
方向导数
梯度
第二章:微积分
微积分基本想法
微积分的解释
定积分
定积分性质
牛顿-莱布尼茨公式
第三章:泰勒公式与拉格朗日
泰勒公式出发点
一点一世界
阶数的作用
阶乘的作用
拉格朗日乘子法
求解拉格朗日乘子法
第四章:线性代数基础
行列式概述
矩阵与数据的关系
矩阵基本操作
矩阵的几种变换
矩阵的秩
内积与正交
第五章:特征值与矩阵分解
特征值与特征向量
特征空间与应用
SVD要解决的问题
特征值分解
SVD矩阵分解
第六章:随机变量与概率估计
离散型随机变量
连续型随机变量
简单随机抽样
似然函数
极大似然估计
第七章:概率论基础
概率与频率
古典概型
条件概率
条件概率小例子
独立性
二维离散型随机变量
二维连续型随机变量
边缘分布
期望
期望求解
马尔科夫不等式
切比雪夫不等式
后验概率估计
第八章:数据科学你得知道的几种分布
正太分布
二项式分布
泊松分布
均匀分布
卡方分布
beta分布
第九章:核函数变换
核函数的目的
线性核函数
多项式核函数
核函数实例
高斯核函数
参数的影响
第十章:熵与激活函数
熵的概念
熵的大小意味着什么
激活函数
激活函数的问题
第十一章:回归分析
回归分析概述
回归方程定义
误差项的定义
最小二乘法推导与求解
回归方程求解小例子
回归直线拟合优度
多元与曲线回归问题
Python工具包介绍
statasmodels回归分析
高阶与分类变量实例
案例:汽车价格预测任务概述
案例:缺失值填充
案例:特征相关性
案例:预处理问题
案例:回归求解
第十二章:假设检验
假设检验基本思想
左右侧检验与双侧检验
Z检验基本原理
Z检验实例
T检验基本原理
T检验实例
T检验应用条件
卡方检验
假设检验中的两类错误
Python假设检验实例
Python卡方检验实例
相关分析概述
第十三章:相关分析
相关分析概述
皮尔森相关系数
计算与检验
斯皮尔曼等级相关
肯德尔系数
质量相关分析
偏相关与复相关
第十四章:方差分析
方差分析概述
方差的比较
方差分析计算方法
方差分析中的多重比较
多因素方差分析
Python方差分析实例
第十五章:聚类分析
层次聚类概述
层次聚类流程
层次聚类实例
Kmeans聚类算法
DBSCAN聚类算法
聚类算法实践
第十六章:贝叶斯分析
贝叶斯分析概述
概率的解释
贝叶斯学派与经典统计学派的争论
贝叶斯算法概述
贝叶斯推导实例
贝叶斯拼写纠错实例
垃圾邮件过滤实例
贝叶斯解释
经典求解思路
MCM概述
PYMC3概述
模型诊断
模型决策

学完收获

1.掌握人工智能算法必备数学知识点
2.掌握高等数学,线性代数,概率论与统计分析中核心知识点。
3.熟悉数学知识点应用领域与实践方法

常见问题

问题1:没有大学数据基础可以学习这门课程吗?
回答:可以,课程对复杂的数学知识点进行通俗讲解,适合零基础学员学习。
问题2: 课程学习过程中遇到问题怎么办?
回答:博学谷平台提供讨论区答疑,老师会为您及时解答学习中遇到的问题,提供学习指导和帮助。

提示
该课程已在购物车中了,无需重复加入
去购物车