Je ne suis pas doué pour les mathématiques, ce cours est-il encore fait pour moi ?

<text variant="body1">Oui ! Nous voulons faire tomber les barrières qui empêchent les gens de progresser en mathématiques. Dans ce cours, nous inversons la pédagogie traditionnelle de l'enseignement des mathématiques, en commençant par les cas d'utilisation dans le monde réel et en revenant à la théorie. <text variant="body1">La plupart des gens qui sont bons en maths ont simplement plus de pratique des maths et, par conséquent, plus d'aisance avec l'état d'esprit nécessaire pour réussir. Ce cours est l'endroit idéal pour commencer ou perfectionner ces compétences fondamentales, et construire l'état d'esprit nécessaire pour être bon en maths.

Dois-je suivre les cours dans un ordre précis ?

Non. La plupart des apprenants auraient intérêt à suivre les cours un et deux ensemble, car ils présentent des concepts qui se renforcent mutuellement, mais le cours trois est indépendant des autres cours de cette spécialisation.

La spécialisation donne-t-elle droit à des crédits universitaires ?

Non, cette Specializations ne donne pas droit à des crédits universitaires.

S'agit-il d'un cours autonome ou d'une Specializations ?

Linear Algebra for Machine Learning and Data Science peut être suivi comme un cours autonome ou le premier cours de la spécialisation Mathématiques pour l'apprentissage automatique et la science des données.

Puis-je demander une aide financière ?

Oui, Coursera propose une aide financière aux apprenants qui n'ont pas les moyens de payer les frais.

Qu'est-ce que je recevrai si je souscris à cette Specializations ?

Lorsque vous vous inscrivez au cours, vous avez accès à tous les cours de la spécialisation et vous obtenez un certificat lorsque vous terminez le travail. Votre certificat électronique sera ajouté à votre page Réalisations - de là, vous pouvez imprimer votre certificat ou l'ajouter à votre profil LinkedIn.

Est-il possible de bénéficier d'une aide financière ?

Oui, pour certains programmes de formation, vous pouvez demander une aide financière ou une bourse si vous n'avez pas les moyens de payer les frais d'inscription. Si une aide financière ou une bourse est disponible pour votre programme de formation, vous trouverez un lien de demande sur la page de description.

Algèbre linéaire pour l'apprentissage automatique et la science des données

Algèbre linéaire pour l'apprentissage automatique et la science des données

Ce cours fait partie de Spécialisation "Mathématiques pour l'apprentissage automatique et la science des données"

Instructeur : Luis Serrano

198 545 déjà inscrits

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

2,319 avis

niveau Intermédiaire

Expérience recommandée

Planning flexible

3 semaines à 10 heures une semaine

Apprenez à votre propre rythme

95%

La plupart des étudiants ont apprécié ce cours

4 modules

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.

2,319 avis

niveau Intermédiaire

Expérience recommandée

Planning flexible

3 semaines à 10 heures une semaine

Apprenez à votre propre rythme

95%

La plupart des étudiants ont apprécié ce cours

Ce que vous apprendrez

Représenter les données sous forme de vecteurs et de matrices et identifier leurs propriétés à l'aide des concepts de singularité, de rang et d'indépendance linéaire
Appliquer les opérations courantes de l'algèbre vectorielle et matricielle telles que le produit point, l'inverse et les déterminants
Exprimer certains types d'opérations matricielles sous forme de transformations linéaires et appliquer les concepts de valeurs propres et de vecteurs propres à des problèmes d'apprentissage automatique

Compétences que vous acquerrez

Catégorie : Linear Algebra
Catégorie : Data Manipulation
Catégorie : Applied Mathematics
Catégorie : Machine Learning Methods
Catégorie : Advanced Mathematics
Catégorie : Mathematical Modeling
Catégorie : Data Preprocessing
Catégorie : Algebra
Catégorie : Machine Learning
Catégorie : Dimensionality Reduction

Outils que vous découvrirez

Catégorie : Python Programming
Catégorie : NumPy

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Évaluations

9 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

logos de Petrobras, TATA, Danone, Capgemini, P&G et L'Oreal

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation "Mathématiques pour l'apprentissage automatique et la science des données"

Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.

Apprenez de nouveaux concepts auprès d'experts du secteur
Acquérez une compréhension de base d'un sujet ou d'un outil
Développez des compétences professionnelles avec des projets pratiques
Obtenez un certificat professionnel partageable

Il y a 4 modules dans ce cours

Nouvellement mis à jour pour 2024 ! Mathematics for Apprentissage automatique and Data Science est un programme en ligne fondamental créé par DeepLearning.IA et enseigné par Luis Serrano. Dans l'apprentissage automatique, vous appliquez des concepts mathématiques à travers la programmation. Et donc, dans cette spécialisation, vous appliquerez les concepts mathématiques que vous apprenez en utilisant la programmation Python dans des exercices pratiques en laboratoire. En tant qu'apprenant dans ce programme, vous aurez besoin de compétences de base à intermédiaires en programmation Python pour réussir. Après avoir terminé ce cours, vous serez en mesure de : - Représenter des données sous forme de vecteurs et de matrices et identifier leurs propriétés en cours d'utilisation des concepts de singularité, de rang et d'indépendance linéaire, etc.

- Appliquer les opérations courantes d'algèbre vectorielle et matricielle comme le produit point, l'inverse et les déterminants - Exprimer certains types d'opérations matricielles comme des transformations linéaires - Appliquer les concepts de valeurs propres et de vecteurs propres aux problèmes d'apprentissage automatique Beaucoup d'ingénieurs d'apprentissage automatique et de scientifiques de données ont besoin d'aide avec les mathématiques, et même les praticiens expérimentés peuvent se sentir freinés par un manque de compétences mathématiques. Cette spécialisation utilise une pédagogie innovante en mathématiques pour vous aider à apprendre rapidement et intuitivement, avec des cours qui utilisent des visualisations faciles à suivre pour vous aider à voir comment les mathématiques derrière l'apprentissage automatique fonctionnent réellement. Nous vous recommandons d'avoir un niveau de mathématiques de lycée (fonctions, algèbre de base) et une familiarité avec la programmation (structures de données, boucles, fonctions, instructions conditionnelles, débogage). Les devoirs et les laboratoires sont rédigés en Python, mais le cours présente toutes les bibliothèques d'apprentissage automatique que vous utiliserez.

Les matrices sont couramment utilisées dans l'apprentissage automatique et la science des données pour représenter les données et leurs transformations. Au cours de cette semaine, vous apprendrez comment les matrices découlent naturellement des systèmes d'équations et comment certaines propriétés des matrices peuvent être considérées en termes d'opérations sur les systèmes d'équations.

Inclus

14 vidéos8 lectures3 devoirs1 élément d'application2 laboratoires non notés

14 vidéos Total 78 minutes

Introduction à la spécialisation 8 minutes
Introduction au cours 1 minute
A quoi s'attendre et comment réussir 1 minute
Une note sur l'expérience en matière de programmation 1 minute
Algèbre linéaire appliquée I 6 minutes
Algèbre linéaire appliquée II 7 minutes
Système de peines 5 minutes
Système d'équations 13 minutes
Système d'équations sous forme de droites et de plans 12 minutes
Une notion géométrique de la singularité 3 minutes
Matrices singulières et non singulières 5 minutes
Dépendance et indépendance linéaires 7 minutes
Le déterminant 8 minutes
Conclusion 0 minutes

8 lectures Total 72 minutes

Rejoignez le forum DeepLearning.IA pour poser des questions, obtenir du soutien ou partager des idées étonnantes ! 2 minutes
Notations 10 minutes
Apprendre Python : Ressources recommandées 10 minutes
Vérifiez vos connaissances 10 minutes
Outil interactif : Représentation graphique des systèmes linéaires à 2 variables 10 minutes
Outil interactif : Système d'équations sous forme de plans (3x3) 10 minutes
(Facultatif) Téléchargement de votre carnet de notes et actualisation de votre espace de travail 10 minutes
Semaine 1 - Diapositives 10 minutes

3 devoirs Total 210 minutes

Questionnaire noté 120 minutes
Quiz pratique 1 60 minutes
Quiz pratique 2 30 minutes

1 élément d'application Total 1 minute

Enquête d'accueil 1 minute

2 laboratoires non notés Total 120 minutes

Introduction aux tableaux NumPy 60 minutes
Systèmes linéaires sous forme de matrices 60 minutes

Cette semaine, vous apprendrez à résoudre un système d'équations linéaires à l'aide de la méthode d'élimination et de la forme d'échelon de rang. Vous découvrirez également une propriété importante d'une matrice : le rang. Le concept de rang d'une matrice est utile en vision artificielle pour la compression d'images.

Inclus

12 vidéos5 lectures2 devoirs1 devoir de programmation1 laboratoire non noté

12 vidéos Total 49 minutes

Résolution de systèmes d'équations linéaires non singuliers 7 minutes
Résolution d'un système singulier d'équations linéaires 3 minutes
Résolution de systèmes d'équations à plusieurs variables 3 minutes
Réduction des rangs de la matrice 4 minutes
Opérations en ligne qui préservent la singularité 4 minutes
Le rang d'une matrice 6 minutes
Le rang d'une matrice en général 2 minutes
Forme en échelon 3 minutes
Forme de l'échelon en général 4 minutes
Forme réduite d'échelon de rangée 4 minutes
L'Algorithme d'élimination de Gauss 9 minutes
Conclusion 1 minute

5 lectures Total 45 minutes

Vérifiez vos connaissances 10 minutes
Outil interactif : Représentation graphique des systèmes linéaires à 3 variables 10 minutes
(Facultatif) Conseils de dépannage pour l'affectation 10 minutes
(Facultatif) Notation partielle des devoirs 10 minutes
Semaine 2 - Diapositives 5 minutes

2 devoirs Total 150 minutes

Quiz noté 120 minutes
Quiz pratique 30 minutes

1 devoir de programmation Total 240 minutes

Élimination de la gaussienne 240 minutes

1 laboratoire non noté Total 30 minutes

Introduction à la sous-bibliothèque NumPy.linalg 30 minutes

Une instance individuelle (observation) de données est généralement représentée sous la forme d'un vecteur dans l'apprentissage automatique. Au cours de cette semaine, vous découvrirez les propriétés et les opérations sur les vecteurs. Vous découvrirez également les transformations linéaires, l'inverse d'une matrice et l'une des opérations les plus importantes sur les matrices : la multiplication matricielle. Vous verrez comment la multiplication matricielle découle naturellement de la composition de transformations linéaires. Enfin, vous apprendrez à appliquer aux réseaux neuronaux certaines des propriétés des matrices et des vecteurs que vous avez apprises jusqu'à présent.

Inclus

14 vidéos3 lectures2 devoirs1 devoir de programmation3 laboratoires non notés

14 vidéos Total 54 minutes

Motivation pour l'apprentissage automatique 8 minutes
Les vecteurs et leurs propriétés 5 minutes
Opérations sur les vecteurs 3 minutes
Le produit de points 4 minutes
Point géométrique Produit 3 minutes
Multiplication d'une matrice par un vecteur 3 minutes
Matrices comme transformations linéaires 3 minutes
Transformations linéaires sous forme de matrices 2 minutes
Multiplication matricielle 6 minutes
La matrice identité 1 minute
Matrice inverse 3 minutes
Quelles matrices ont un inverse ? 2 minutes
Réseaux neuronaux et matrices 9 minutes
Conclusion 1 minute

3 lectures Total 25 minutes

Vérifiez vos connaissances 10 minutes
Outil interactif : Transformateurs linéaires 10 minutes
Semaine 3 - Diapositives 5 minutes

2 devoirs Total 90 minutes

Quiz noté 60 minutes
Quiz pratique 30 minutes

1 devoir de programmation Total 240 minutes

Transformations linéaires et réseaux neuronaux 240 minutes

3 laboratoires non notés Total 180 minutes

Opérations sur les vecteurs : Multiplication scalaire, somme et produit de points des vecteurs 60 minutes
Multiplication matricielle 60 minutes
Transformations linéaires 60 minutes

Au cours de cette dernière semaine, vous examinerez plus en détail les déterminants. Vous apprendrez comment les déterminants peuvent être interprétés géométriquement comme une surface et comment calculer le déterminant du produit et de l'inverse des matrices. Nous terminerons ce cours avec les valeurs propres et les vecteurs propres. Les vecteurs propres sont utilisés pour la réduction de la dimensionnalité dans l'apprentissage automatique. Vous verrez comment les vecteurs propres découlent naturellement du concept de bases propres.

Inclus

20 vidéos7 lectures2 devoirs1 devoir de programmation1 laboratoire non noté

20 vidéos Total 99 minutes

Semaine 4 Introduction 5 minutes
Singularité et rang des transformations linéaires 4 minutes
Le déterminant en tant que domaine 3 minutes
Déterminant d'un produit 4 minutes
Déterminants des inverses 3 minutes
Bases en algèbre linéaire 3 minutes
Span en algèbre linéaire 9 minutes
Bases propres 3 minutes
Valeurs propres et vecteurs propres 6 minutes
Calcul des valeurs propres et des vecteurs propres 9 minutes
Sur le nombre de vecteurs propres 9 minutes
Réduction de dimensionnalité et projection 8 minutes
Motiver l'ACP 3 minutes
Variance et covariance 7 minutes
Matrice de covariance 8 minutes
ACP - Vue d'ensemble 5 minutes
L'ACP - Pourquoi ça marche ? 4 minutes
ACP - Formulation mathématique 2 minutes
Systèmes dynamiques discrets 5 minutes
Conclusion 0 minutes

7 lectures Total 65 minutes

Vérifiez vos connaissances 10 minutes
Outil interactif : Portée linéaire 10 minutes
Semaine 4 - Diapositives 5 minutes
Comment se passe votre formation jusqu'à présent ? 10 minutes
Lecture : Manuels et ressources 10 minutes
Références 10 minutes
Remerciements 10 minutes

2 devoirs Total 121 minutes

Quiz noté 120 minutes
Quiz pratique 1 minute

1 devoir de programmation Total 120 minutes

Application des valeurs propres et des vecteurs propres : Modèle de navigation des pages web et ACP 120 minutes

1 laboratoire non noté Total 60 minutes

Interprétation des valeurs propres et des vecteurs propres 60 minutes

Obtenez un certificat professionnel

Ajoutez ce titre à votre profil LinkedIn, à votre curriculum vitae ou à votre CV. Partagez-le sur les médias sociaux et dans votre évaluation des performances.

Instructeur

Évaluations de l’enseignant

(742 évaluations)

Luis Serrano

DeepLearning.AI

4 Cours 242 872 apprenants

Offert par

DeepLearning.AI

En savoir plus sur Algorithmes

Statut : Meilleur programme d’IA
DeepLearning.AI
Mathematics for Machine Learning and Data Science
Spécialisation
DeepLearning.AI
Calculus for Machine Learning and Data Science
Cours
Imperial College London
Mathematics for Machine Learning: Linear Algebra
Cours
Birla Institute of Technology & Science, Pilani
Linear Algebra for Machine Learning & AI
Cours

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.

Étudiant(e) depuis 2018

’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’

Jennifer J.

Étudiant(e) depuis 2020

’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’

Larry W.

Étudiant(e) depuis 2021

’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’

Chaitanya A.

’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’

Avis des étudiants

5 stars
74,61 %
4 stars
17,58 %
3 stars
3,66 %
2 stars
1,76 %
1 star
2,37 %

Affichage de 3 sur 2319

Révisé le 26 févr. 2023

Best math refresher course. I like this style of the course structure. Starting from basic and intuitive examples, but following the steps I realized I understand all-important concept

Révisé le 26 août 2024

While people focus on teaching how to solve problems basically, It is very good to see people speak about maths like science as a concept with good visualization!. Great work guys.

Révisé le 22 mars 2023

Easy of follow, lot of examples while following the course a very good additional material for preparing or improve the understanding of each topic at the end was a good investment.

Voir plus d’avis

Ouvrez de nouvelles portes avec Coursera Plus

Accès illimité à 10,000+ cours de niveau international, projets pratiques et programmes de certification prêts à l'emploi - tous inclus dans votre abonnement.

Faites progresser votre carrière avec un diplôme en ligne

Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne

Découvrir les diplômes

Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires

Améliorez les compétences de vos employés pour exceller dans l’économie numérique

Foire Aux Questions

Il s'agit d'un cours adapté aux débutants, visant à enseigner les concepts couverts avec un minimum de connaissances de base nécessaires. Si vous êtes familier avec les concepts de l'algèbre linéaire, vous trouverez que ce cours est une bonne révision pour le prochain cours de la spécialisation, Calculus for Machine Learning and Data Science.

Oui ! Nous voulons faire tomber les barrières qui empêchent les gens de progresser en mathématiques. Dans ce cours, nous inversons la pédagogie traditionnelle de l'enseignement des mathématiques, en commençant par les cas d'utilisation dans le monde réel et en revenant à la théorie.

La plupart des gens qui sont bons en maths ont simplement plus de pratique des maths et, par conséquent, plus d'aisance avec l'état d'esprit nécessaire pour réussir. Ce cours est l'endroit idéal pour commencer ou perfectionner ces compétences fondamentales, et construire l'état d'esprit nécessaire pour être bon en maths.

Algèbre linéaire (matrices, vecteurs et leurs applications)

Grâce à des outils prêts à l'emploi, il est plus facile que jamais de commencer une carrière d'ingénieur en apprentissage automatique ou de scientifique des données. Mais pour progresser plus profondément dans votre carrière, créer des modèles efficaces, dépanner des algorithmes et intégrer la pensée créative, une compréhension plus approfondie des mathématiques qui se cachent derrière les modèles est nécessaire.

Pour accéder aux supports de cours, aux devoirs et pour obtenir un certificat, vous devez acheter l'expérience de certificat lorsque vous vous inscrivez à un cours. Vous pouvez essayer un essai gratuit ou demander une aide financière. Le cours peut proposer l'option "Cours complet, pas de certificat". Cette option vous permet de consulter tous les supports de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cela signifie également que vous ne pourrez pas acheter un certificat d'expérience.