Este curso de nivel intermedio presenta los fundamentos matemáticos para derivar el análisis de componentes principales (PCA), una técnica fundamental de reducción de dimensionalidad.

Cubriremos algunas estadísticas básicas de conjuntos de datos, como valores medios y varianzas, calcularemos distancias y ángulos entre vectores utilizando productos internos y derivaremos proyecciones ortogonales de datos en subespacios de menor dimensión.

Usando todas estas herramientas, luego derivaremos PCA como un método que minimiza el error de reconstrucción cuadrático promedio entre los puntos de datos y su reconstrucción.

Al final de este curso, estará familiarizado con conceptos matemáticos importantes y podrá implementar PCA por sí mismo.

Si estás luchando, tienes Encontraré un conjunto de cuadernos jupyter que le permitirán explorar las propiedades de las técnicas y lo guiarán a través de lo que debe hacer para ponerse en marcha.

Si ya es un experto, este curso puede refrescar algunos de sus conocimientos.

Las conferencias, ejemplos y ejercicios requieren: 1.

Cierta capacidad de pensamiento abstracto 2.

Buena formación en álgebra lineal (p.

ej.

, álgebra matricial y vectorial, independencia lineal, base) 3.

Formación básica en cálculo multivariado (p.

ej.

, derivadas parciales, optimización básica ) 4.

Conocimientos básicos en programación python y numpy Descargo de responsabilidad: Este curso es sustancialmente más abstracto y requiere más programación que los otros dos cursos de la especialización.

Sin embargo, este tipo de pensamiento abstracto, manipulación algebraica y programación es necesario si desea comprender y desarrollar algoritmos de aprendizaje automático.