Russian Courses
Logo

🎙️ Курсы на английском — смотрите с русской или оригинальной озвучкой и субтитрами

🎓

Единая подписка на два сервиса

Оформите PRO подписку на сайте Learn Free Courses и получите доступ ко всем премиум курсам здесь + безлимитный перевод видео на Udemy через расширение Udemy Translator.

Оформить подписку

✨ Что вы получаете:

  • ✓ Все премиум курсы с русской озвучкой
  • ✓ Материалы, субтитры, конспекты
  • ✓ Безлимитный перевод видео (Udemy Translator PRO)
  • ✓ Одна подписка — два сервиса

📋 Как активировать:

  1. Оформите подписку на сайте Learn Free Courses
  2. Скопируйте API ключ из профиля на том сайте
  3. Вставьте ключ в настройках профиля здесь
Бесплатно

Линейная алгебра для машинного обучения и науки о данных (Курс 1)

Оригинал: Course 1 - Linear Algebra for Machine Learning and Data Science

4 ч 40 мин Машинное обучение 60 уроков Уроки на русском языке 🎤 Новый перевод
Оригинальный источник

Скачать курс по Машинное обучение. Линейная алгебра для машинного обучения и науки о данных (Курс 1)

Нужен архив курса целиком?

Мы отправим ссылку на полный архив с оригиналом, переводом и материалами. Просто напишите администратору info@russiancourses.net и укажите, что именно нужно (можем поделиться вариантами отдельно).

Пропущены номера уроков?

Если в нумерации есть паузы, значит часть занятий текстовые или в виде файлов. Их можно найти в разделе «Материалы курса»: скачайте архив, чтобы получить все конспекты и дополнительные задания.

Превью: 1.1. Введение в специализацию

Превью: 1.1. Введение в специализацию

Это первый урок бесплатного курса "Линейная алгебра для машинного обучения и науки о данных (Курс 1)". Зарегистрируйтесь для доступа ко всем 60 урокам курса.

Регистрация Войти

Раздел

О курсе

4 ч 40 мин 60 уроков Машинное обучение
Освойте основы линейной алгебры, лежащие в основе машинного обучения и анализа данных 📊

Linear Algebra for Machine Learning and Data Science — это первый курс специальной программы Mathematics for Machine Learning and Data Science от DeepLearning.AI. Он создан, чтобы помочь инженерам и аналитикам понять, как математика работает под капотом алгоритмов машинного обучения.
Вы научитесь:

  • 📐 Представлять данные в виде векторов и матриц и определять их свойства — сингулярность, ранг и линейную независимость
  • 🧮 Применять базовые операции линейной алгебры — скалярное произведение, обратные матрицы и определители
  • 🔁 Интерпретировать матричные операции как линейные преобразования
  • 💡 Использовать собственные значения и собственные векторы для решения задач машинного обучения
Вы приобретёте навыки в:

  • 🧠 Математическом моделировании
  • 📉 Снижении размерности данных
  • 🔢 Применении математики на практике
  • 🐍 Программировании на Python и работе с библиотекой NumPy
  • 📊 Методы машинного обучения и обработка данных
Почему стоит пройти этот курс:

Многие специалисты в области машинного обучения сталкиваются с трудностями из-за нехватки математической подготовки. Этот курс использует интуитивный и визуальный подход, позволяющий быстро и понятно освоить ключевые математические принципы, применяемые в реальных ML-задачах.
После прохождения курса вы сможете:

  • 🧩 Работать с векторами и матрицами, применять их к анализу данных
  • ⚙️ Реализовывать линейные преобразования в коде
  • 📈 Применять концепции собственных значений и векторов для анализа и моделирования
  • 🧮 Уверенно использовать Python для решения задач машинного обучения
Курс включает:

  • 🎓 4 модуля обучения, обновлённых в 2024 году
  • 💻 Практические лабораторные задания в Python
  • 🧠 Пошаговые визуализации, объясняющие математику наглядно
  • 📜 Финальный сертификат, подтверждающий ваши навыки
Рекомендуется: иметь базовые знания школьной алгебры (функции, уравнения) и базовый опыт программирования (циклы, условия, структуры данных).
Итог: после курса вы получите прочное математическое основание для дальнейшего изучения машинного обучения и анализа данных, а также научитесь применять линейную алгебру на практике при работе с ML-моделями и наборами данных.

Сводка

Информация о курсе

Категория

Машинное обучение

Длительность

280 мин

Назад к бесплатным курсам

  • 1. 1.1. Введение в специализацию

    Оригинал: 1.1. Specialization Introduction

    RU

  • 2. 1.2. Введение в курс

    Оригинал: 1.2. Course Introduction

    RU

  • 3. 1.3. Чего ожидать и как добиться успеха

    Оригинал: 1.3. What To Expect And How To Succeed

    RU

  • 4. 1.4. Замечания по опыту программирования

    Оригинал: 1.4. A Note On Programming Experience

    RU

  • 5. 1.7. Применение линейной алгебры I

    Оригинал: 1.7. Linear Algebra Applied I

    RU

  • 6. 1.8. Линейная алгебра на практике II

    Оригинал: 1.8. Linear Algebra Applied II

    RU

  • 7. 1.10. Система предложений

    Оригинал: 1.10. System Of Sentences

    RU

  • 8. 1.11. Система уравнений

    Оригинал: 1.11. System Of Equations

    RU

  • 9. 1.12. Системы уравнений как линии и плоскости

    Оригинал: 1.12. System Of Equations As Lines And Planes

    RU

  • 10. 1.15. Геометрическое понятие сингулярности

    Оригинал: 1.15. A Geometric Notion of Singularity

    RU

  • 11. 1.16. Сингулярные и несингулярные матрицы

    Оригинал: 1.16. Singular vs Non-Singular Matrices

    RU

  • 12. 1.18. Линейная зависимость и независимость

    Оригинал: 1.18. Linear Dependence And Independence

    RU

  • 13. 1.19. Определитель

    Оригинал: 1.19. The Determinant

    RU

  • 14. 1.25. Заключение

    Оригинал: 1.25. Conclusion

    RU

  • 15. 2.2. Решение невырожденных систем линейных уравнений

    Оригинал: 2.2. Solving Non Singular System Of Linear Equations

    RU

  • 16. 2.3. Решение сингулярных систем линейных уравнений

    Оригинал: 2.3. Solving Singular System Of Linear Equations

    RU

  • 17. 2.4. Решение систем уравнений с большим числом переменных

    Оригинал: 2.4. Solving System Of Equations With More Variables

    RU

  • 18. 2.6. Приведение матрицы к строковому виду

    Оригинал: 2.6. Matrix Row Reduction

    RU

  • 19. 2.7. Операции над строками, сохраняющие сингулярность

    Оригинал: 2.7. Row Operations That Preserve Singularity

    RU

  • 20. 2.10. Ранг матрицы

    Оригинал: 2.10. The Rank Of A Matrix

    RU

  • 21. 2.11. Ранг матрицы в общем случае

    Оригинал: 2.11. The Rank Of A Matrix In General

    RU

  • 22. 2.12. Ступенчатая форма матрицы

    Оригинал: 2.12. Row Echelon Form

    RU

  • 23. 2.13. Общий вид ступенчатой формы

    Оригинал: 2.13. Row Echelon Form In General

    RU

  • 24. 2.14. Ступенчатый вид матрицы

    Оригинал: 2.14. Reduced Row Echelon Form

    RU

  • 25. 2.15. Алгоритм Гауссова исключения

    Оригинал: 2.15. The Gaussian Elimination Algorithm

    RU

  • 26. 2.20. Заключение

    Оригинал: 2.20. Conclusion

    RU

  • 27. 3.1. Введение в неделю 3

    Оригинал: 3.1. Week 3 Introduction

    RU

  • 28. 3.3. Векторы и их свойства

    Оригинал: 3.3. Vectors And Their Properties

    RU

  • 29. 3.4. Операции с векторами

    Оригинал: 3.4. Vector Operations

    RU

  • 30. 3.5. Скалярное произведение

    Оригинал: 3.5. The Dot Product

    RU

  • 31. 3.6. Геометрическое скалярное произведение

    Оригинал: 3.6. Geometric Dot Product

    RU

  • 32. 3.7. Умножение матрицы на вектор

    Оригинал: 3.7. Multiplying A Matrix By A Vector

    RU

  • 33. 3.10. Матрицы как линейные преобразования

    Оригинал: 3.10. Matrices As Linear Transformations

    RU

  • 34. 3.11. Линейные преобразования как матрицы

    Оригинал: 3.11. Linear Transformations As Matrices

    RU

  • 35. 3.13. Умножение матриц

    Оригинал: 3.13. Matrix Multiplication

    RU

  • 36. 3.14. Матрица идентичности

    Оригинал: 3.14. The Identity Matrix

    RU

  • 37. 3.15. Обратная матрица

    Оригинал: 3.15. Matrix Inverse

    RU

  • 38. 3.16. У каких матриц есть обратная

    Оригинал: 3.16. Which Matrices Have Inverse

    RU

  • 39. 3.17. Нейронные сети и матрицы

    Оригинал: 3.17. Neural Networks And Matrices

    RU

  • 40. 3.22. Заключение

    Оригинал: 3.22. Conclusion

    RU

  • 41. 4.1. Введение в неделю 4

    Оригинал: 4.1. Week 4 Introduction

    RU

  • 42. 4.3. Сингулярность и ранг линейных преобразований

    Оригинал: 4.3. Singularity and Rank of Linear Transformations

    RU

  • 43. 4.4. Определитель как площадь

    Оригинал: 4.4. Determinant As An Area

    RU

  • 44. 4.5. Определитель произведения

    Оригинал: 4.5. Determinant Of A Product

    RU

  • 45. 4.6. Определитель обратной матрицы

    Оригинал: 4.6. Determinant Of Inverse

    RU

  • 46. 4.8. Основы

    Оригинал: 4.8. Bases

    RU

  • 47. 4.9. Span

    RU

  • 48. 4.11. Собственный базис

    Оригинал: 4.11. Eigenbasis

    RU

  • 49. 4.12. Собственные значения и собственные векторы

    Оригинал: 4.12. Eigenvalue And Eigenvectors

    RU

  • 50. 4.13. Расчёт собственных значений и собственных векторов

    Оригинал: 4.13. Calculating Eigenvalues and Eigenvectors

    RU

  • 51. 4.14. О количестве собственных векторов

    Оригинал: 4.14. On the Number of Eigenvectors

    RU

  • 52. 4.15. Снижение размерности и проекция

    Оригинал: 4.15. Dimensionality Reduction And Projection

    RU

  • 53. 4.16. Мотивация использования PCA

    Оригинал: 4.16. Motivating PCA

    RU

  • 54. 4.17. Дисперсия и ковариация

    Оригинал: 4.17. Variance And Covariance

    RU

  • 55. 4.18. Ковариационная матрица

    Оригинал: 4.18. Covariance Matrix

    RU

  • 56. 4.19. Обзор PCA

    Оригинал: 4.19. PCA Overview

    RU

  • 57. 4.20. PCA: Почему это работает

    Оригинал: 4.20. Pca Why It Works

    RU

  • 58. 4.21. PCA Матhematical Formula

    Оригинал: 4.21. PCA Mathematical Formula

    RU

  • 59. 4.22. Дискретные динамические системы

    Оригинал: 4.22. Discrete Dynamical Systems

    RU

  • 60. 4.26. Заключение

    Оригинал: 4.26. Conclusion

    RU