Artigos

8: 04 Trabalho em sala de aula - Álgebra Linear e Python - Matemática


Para concluir esta tarefa com êxito, você precisa participar tanto individualmente quanto em grupos durante a aula. Se você estiver participando de forma assíncrona, entregue sua tarefa usando D2L o mais tardar 23h59 do dia de aula. Veja os links no final deste documento para acessar a linha do tempo da aula para sua seção.


Uma introdução suave à álgebra linear

Álgebra linear é um campo da matemática que é universalmente considerado um pré-requisito para uma compreensão mais profunda do aprendizado de máquina.

Embora a álgebra linear seja um campo amplo com muitas teorias e descobertas esotéricas, as ferramentas básicas e os parafusos e as notações retiradas do campo são práticas para os praticantes de aprendizado de máquina. Com uma base sólida do que é álgebra linear, é possível focar apenas nas partes boas ou relevantes.

Neste tutorial, você descobrirá o que exatamente é álgebra linear do ponto de vista do aprendizado de máquina.

Depois de concluir este tutorial, você saberá:

  • A álgebra linear é a matemática dos dados.
  • A álgebra linear teve um impacto marcante no campo da estatística.
  • A álgebra linear é a base de muitas ferramentas matemáticas práticas, como a série de Fourier e computação gráfica.

Dê início ao seu projeto com meu novo livro Linear Algebra for Machine Learning, incluindo tutoriais passo a passo e a Código-fonte Python arquivos para todos os exemplos.

Uma introdução suave à álgebra linear
Foto de Steve Corey, alguns direitos reservados.


Matemática 130 Álgebra Linear

    Descrição do Curso. Matemática 130 é um requisito para majores em matemática e física, e é altamente recomendado para majores em outras ciências, especialmente incluindo cursos de ciência da computação. Os tópicos incluem sistemas de equações lineares e suas soluções, matrizes e álgebra de matrizes, matrizes inversas determinantes e permutações de espaços vetoriais n-dimensionais reais, espaços vetoriais abstratos e seus axiomas, produtos internos de transformações lineares (produtos escalares), ortogonalidade, produtos cruzados e seus aplicações geométricas subespaços, independência linear, bases para espaços vetoriais, dimensão, autovetores de classificação de matrizes, autovalores, diagonalização de matrizes. Algumas aplicações da álgebra linear serão discutidas, como computação gráfica, leis de Kirchoff e rsquos, regressão linear (mínimos quadrados), séries de Fourier ou equações diferenciais.
    Veja também Clark e rsquos Catálogo Acadêmico.

    Prof. R. Broker. Quinta-feira, 4h00 e 5h00, e com hora marcada. Sala BP 345
    Prof. E. Joyce. MWF 10h e ndash 10h50, MWF 1h e ndash 2h. Sala BP 322
    K. Schultz. Tutoria segunda-feira, 8h00 e 10h00. Sala BP 316
  • Proporcionar aos alunos uma boa compreensão dos conceitos e métodos da álgebra linear, descritos detalhadamente no programa.
  • Para ajudar os alunos a desenvolver a capacidade de resolver problemas usando álgebra linear.
  • Para conectar a álgebra linear a outros campos dentro e fora da matemática.
  • Desenvolver o raciocínio abstrato e crítico através do estudo de provas lógicas e do método axiomático aplicado à álgebra linear.

Cobriremos todos os tópicos listados abaixo com a mesma profundidade. Alguns tópicos são fundamentais e nós os abordamos em detalhes, outros indicam outras direções de estudo em álgebra linear e nós os tratamos como pesquisas. Além dos tópicos listados abaixo, discutiremos algumas aplicações da álgebra linear para outras partes da matemática e estatística e para as ciências físicas e sociais.

    Matrizes. Adição de matrizes e multiplicação escalar. Multiplicação da matriz. Álgebra matricial. Matrix inverses. Poderes de uma matriz. As matrizes transpostas e simétricas. Vetores: sua adição, subtração e multiplicação por escalares (ou seja, números reais). Interpretação gráfica dessas operações vetoriais Desenvolvendo uma visão geométrica. Produtos internos e normas em Rn: produtos internos de vetores (também chamados de produtos escalares), norma de um vetor (também chamados de comprimento), vetores unitários. Aplicações de produtos internos em Rn: linhas, planos em R 3, e linhas e hiperplanos em R n .
    Matrix inverses. Matrizes elementares. Determinantes. Resultados sobre os determinantes. Matriz inversa usando cofatores. Análise de input-output de Leontief. [opcional]
    A classificação de uma matriz. Rank e sistemas de equações lineares. Alcance.
    Campos. Espaços vetoriais. Subespaços. Extensão linear.
    Independência linear. Bases. Coordenadas. Dimensão. Base e dimensão em R n .
    Transformações lineares. Intervalo e espaço nulo. Mudança de coordenadas. Mudança de base e semelhança
    Autovalores e autovetores. Diagonalização de uma matriz quadrada. Quando é possível a diagonalização?
    Poderes das matrizes. Sistemas de equações às diferenças. Sistemas lineares de equações diferenciais.
    Produtos internos. Ortogonalidade. Matrizes ortogonais. Processo de ortonormalização de Gram-Schmidt
    Diagonalização ortogonal de matrizes simétricas. Formas quadráticas.
    A soma direta de dois subespaços. Complementos ortogonais. Projeções. Caracterização de projeções e projeções ortogonais. Projeção ortogonal no intervalo de uma matriz. Minimizando a distância para um subespaço. Funções de ajuste aos dados: aproximação dos mínimos quadrados.
    Números complexos. Dave & rsquos Short Course on Complex Numbers. Espaços vetoriais complexos. Matrizes complexas. Espaços de produtos internos complexos. Conjugados de Hermit. Diagonalização unitária e matrizes normais. Decomposição espectral.
  • Transformações lineares. A definição de uma transformação linear eu: V & rarr C do espaço do domínio V para o espaço do codomínio C. Quando V& nbsp = C, eu também é chamado de operador linear em V.
  • Exemplos eu: R n & rarr R m . Operadores lineares em R 2 incluindo rotações e reflexos, dilatações e contrações, transformações de cisalhamento, projeções, a identidade e transformações zero
  • O espaço nulo (kernel) e o intervalo (imagem) de uma transformação, e suas dimensões, a nulidade e a classificação da transformação
  • O teorema da dimensão: o rand mais a nulidade é igual à dimensão do domínio
  • Representação de matriz de uma transformação linear entre espaços vetoriais de dimensão finita com bases especificadas
  • Operações em transformações lineares V & rarr C. O espaço vetorial de todas as transformações lineares V & rarr C. Composição de transformações lineares
  • As operações de matriz correspondentes, em particular, a multiplicação de matrizes correspondem à composição de transformações lineares. Poderes das matrizes quadradas. Operações matriciais em Matlab
  • Invertibilidade e isomorfismos. Invariância de dimensão sob isomorfismo. Matrizes inversas
  • A mudança da matriz de coordenadas entre duas bases diferentes de um espaço vetorial. Matrizes semelhantes.
  • Espaços duplos.
  • [Uma representação matricial para números complexos e outra para quatérnios. Nota histórica sobre quatérnios.]
  • Operações elementares de linha e matrizes elementares.
  • A classificação de uma matriz (classificação da linha) e de seu dual (classificação da coluna).
  • Um algoritmo para inverter uma matriz. Inversão de matriz em Matlab
  • Sistemas de equações lineares em termos de matrizes. Matriz de coeficientes e matriz aumentada. Equações homogêneas e não homogêneas. Espaço de solução, consistência e inconsistência de sistemas.
  • Forma escalonada em linha reduzida, o método de eliminação (às vezes chamado de eliminação de Gauss ou redução de Gauss-Jordan)
  • 2x2 Determinantes de Ordem 2. Multilinearidade. Inversa de uma matriz 2x2. Área sinalizada de um paralelogramo plano, área de um triângulo.
  • nxn determinantes. Expansão de cofator
  • Determinantes de computação em Matlab
  • Propriedades dos determinantes. Transposição, efeito das operações elementares de linha, multilinearidade. Determinantes de produtos, inversos e transpostos. Regra de Cramer e rsquos para resolver n equações em n desconhecidos.
  • Volume sinalizado de um paralelepípedo em 3 espaços
  • [Tópico opcional: permutações e inversões de permutações pares e permutações ímpares]
  • [Tópico opcional: produtos cruzados em R 3 ]
  • Um autoespaço de um operador linear é um subespaço no qual o operador atua como multiplicação por uma constante, chamado de autovalor (também chamado de valor característico). Os vetores no espaço próprio são todos os vetores próprios para aquele valor próprio.
  • Interpretação geométrica de autovetores e autovalores. Pontos fixos e o espaço-1. Projeções e seu espaço zero. Os reflexos têm um & ndash1-eigenspace.
  • Questão de diagonalização.
  • Polinômio característico.
  • Autovalores complexos e rotações.
  • Um algoritmo para calcular autovalores e autovetores
  • Produtos internos para espaços vetoriais reais e complexos (para espaços vetoriais reais, produtos internos também são chamados de produtos escalares ou produtos escalares) e normas (também chamados de comprimentos ou valores absolutos). Espaços de produto internos. Vetores em Matlab.
  • A desigualdade do triângulo e a desigualdade de Cauchy-Schwarz, outras propriedades dos produtos internos
  • O ângulo entre dois vetores
  • Ortogonalidade dos vetores ("ortogonal" e "normal" são outras palavras para "perpendicular")
  • Vetores unitários e vetores unitários padrão em R n
  • Base ortonormal

Anotações de aula, questionários, testes, trabalhos de casa

  • Primeira tarefa. Exercícios 1.1 a 1.7 página 53 e problemas 1.1 a 1.6 página 55.
  • Segunda tarefa. Problemas 1.8 a 1.14 página 57.
  • Terceira tarefa. Problemas 2.1 a 2.8 página 86.


Políticas do curso

Participação

Você é incentivado a participar ativamente das aulas. Isso pode assumir a forma de fazer perguntas em sala de aula, responder a perguntas para a classe e fazer / responder ativamente a perguntas no quadro de discussão online. Também solicitaremos feedback no meio do semestre para, com sorte, melhorar o curso.

Política de Colaboração

Você pode discutir o dever de casa e os projetos livremente com outros alunos, mas evite ler o código ou os escritos de outras pessoas. Em última análise, você deve implementar seu próprio código e escrever sua própria solução. Em contraste, os exames para levar para casa devem ser feitos por você mesmo e não devem ser discutidos com ninguém (além de fazer perguntas ao instrutor para esclarecimento).

Trabalho atrasado e avaliação

Com exceção do exame final, todos os trabalhos vencem às 23h59 da data de vencimento. Os trabalhos de casa e os projetos devem ser enviados por meio do CMS. Para cada tarefa, você tem até dois "dias úteis". No entanto, ao longo do semestre, você só pode usar um total de oito dias úteis. Você não pode usar dias corretos para os exames para levar para casa.

As notas serão publicadas no CMS e os pedidos de reavaliação devem ser enviados dentro de uma semana.

Pré-requisitos

Álgebra linear no nível de MATH 2210 ou 2940 ou equivalente e um curso de CS 1 em qualquer idioma. Assumiremos que você se lembra de seu cálculo e pode aprender MATLAB, Julia ou Python. Recomendado, mas não essencial: um curso de matemática adicional numerado de 3.000 ou superior. Este curso pode ser feito antes ou depois do CS 4210 / MATH 4250.

Integridade acadêmica

O Código de Integridade Acadêmica da Cornell se aplica a este curso.

Acomodações

Em conformidade com a política da Cornell University e as leis de igualdade de acesso, estou disponível para discutir as acomodações acadêmicas apropriadas que podem ser necessárias para o aluno com deficiência. Os pedidos de acomodações acadêmicas devem ser feitos durante as três primeiras semanas do semestre, exceto em circunstâncias incomuns, para que os arranjos possam ser feitos. Os alunos são incentivados a se registrar no Student Disability Services para verificar sua elegibilidade para as acomodações apropriadas.


Classe 8 - Tarefa - Resposta 2021

Todas as semanas A autoridade de DSHE Publsih Cada Tarefa Semanal. Você pode baixar esta atribuição do site oficial, bem como do nosso site. Você tem Carregar Cada Tarefa de Assunto e Resposta de Tarefa de Classe 8. Não importa de onde você obtenha sua tarefa, o mais importante é que você conclua todas as suas tarefas com regularidade e perfeição.

Portanto, sugerimos a resposta da tarefa para a aula 8. Use esta coleção de respostas como um guia para ajudá-lo ao longo do processo. Forneceremos todas as respostas em PDF para que você possa fazer o download e transportar as respostas facilmente. Vamos começar.

দ্রুত তথ্য পেতে আমাদের ফেসবুক গ্রুপে জয়েন করুন. গ্রুপ লিঙ্কঃ https://www.facebook.com/groups/examresultbd/

A resposta desta tarefa para a classe 8 não é nada discreta. Estamos continuamente enviando respostas de tarefas para todas as turmas do ensino médio para ajudá-las a completar as tarefas dentro do prazo. Como não haverá exame até novo aviso, os alunos devem levar essas tarefas a sério e dar o seu melhor para um bom desempenho.


Columbia University UN2010 Seção 003 Álgebra linear, primavera de 2017

Nossos professores assistentes têm seu horário de expediente na Sala de Ajuda do Math 406. A Sala de Ajuda está aberta de segunda a quinta das 9h às 18h e sexta-feira das 9h às 16h. Você pode ir a qualquer momento durante o horário de funcionamento para obter ajuda com o material (não apenas de nossos TAs).

Livro didático Otto Bretscher Álgebra linear com aplicações, Quinta edição. A 4ª edição mais barata também serve, exceto pelos problemas de lição de casa, que vêm da 5ª edição. Se você comprar a quarta edição, precisará obter os problemas corretos de um amigo que tem a 5ª edição

Programa de Estudos: Nosso objetivo é cobrir os capítulos 1 a 8 do livro, com poucas omissões. Os tópicos são: sistemas de equações lineares e eliminação gaussiana, matrizes, transformações lineares, subespaços, espaços lineares, ortogonalidade e Gram-Schmidt, determinantes, autovalores, autovetores, matrizes simétricas.

Trabalho de casa: O dever de casa consiste em ler as seções do livro didático antes da aula de acordo com o cronograma de palestras e anotar (e entregar) as soluções dos problemas. Os problemas de lição de casa serão atribuídos às terças-feiras na aula, devidos na terça-feira na próxima semana antes da aula. Deixe o dever de casa na caixa hw com meu nome no 4º andar do prédio de Matemática Duas notas mais baixas de dever de casa serão descartadas. O dever de casa graduado pode ser retirado de uma bandeja no 6º andar (suba as escadas, vire à esquerda e passe pela porta, a mesa com as bandejas está à sua esquerda na metade do corredor). TAREFA DE CASA NÃO SERÁ ACEITO. A nota numérica do curso será a seguinte combinação linear:
15% dever de casa, 25% em cada período intermediário, 35% final.

Trabalho de casa

Trabalho de casa 1, devido terça-feira, 24 de janeiro. Resolva na seção 1.1: # 6, 18, 24, 37, 44 e na Seção 1.2: # 2, 4, 9, 11, 18.


Lição de casa 2, devido terça-feira, 31 de janeiro. Resolva na seção 1.2: # 29, 37, 67, na Seção 1.3: # 2. 8, 9, 24, 50 e na Seção 2.1: # 6, 8.


Lição de casa 3, devido terça-feira, 7 de fevereiro. Resolva na seção 2.2: # 14, 32, 39, na Seção 2.3: # 7, 20, 47, 60 e na Seção 2.4: # 4, 30, 84.


Lição de casa 4, devido terça-feira, 28 de fevereiro. Resolva na seção 3.1: # 7, 20, 34, 46, 50 na Seção 3.2: # 3, 14, 15, 37, 41.


Lição de casa 5, devido em 7 de março. Resolva na seção 3.2: # 46, 52, 57 na Seção 3.3: # 16, 27, 33, 36, 39, 62, 69.


Lição de casa 6, com vencimento em 21 de março. Resolva na seção 3.4: # 45, 60, 82, na Seção 4.1: # 29, 49, 59, na Seção 4.2: # 7, 53, 65, 70, na Seção 4.3: # 38, 62.


Lição de casa 7, com vencimento em 4 de abril. Resolva na seção 5.1: # 12, 14, 16, 23, 31 e na Seção 5.2: # 29, 35, 38, 44.


Lição de casa 8, devido 11 de abril. Resolva na seção 5.3: # 30, 38, 42, 67 e na Seção 5.5: # 5, 10, 16, 20.


Lição de casa 9, com vencimento em 18 de abril. Resolva na seção 6.1: # 10, 15, 28, 50 e na Seção 6.2: # 5, 23, 31, 43, 45, 54.


Lição de casa 10, com vencimento em 25 de abril. Resolva na seção 6.3: # 10, 11, 38, 39, na Seção 7.1 : # 13, 44, 53, 64 e na seção 7.2 # 2, 22, 33, 45.


Thomas Church

No outono de 2015 eu ensinei Matemática 113 na Universidade de Stanford. O assistente do curso era Guanyang Wang. Para perguntas sobre o material e as discussões em classe, usamos a página do Math 113 Piazza.

    , vencimento 30 de setembro (soluções), vencimento 7 de outubro (soluções), vencimento 14 de outubro (soluções), vencimento 21 de outubro (soluções), vencimento 28 de outubro (soluções), vencimento 4 de novembro (soluções), vencimento 11 de novembro (soluções), vencimento em 18 de novembro (soluções), vencimento em 2 de dezembro (soluções)
  • Semana 1: Capítulo 1A, 1B, 1C
  • Tarefa online nº 1 (entrega no domingo 27/09): leia 2A
  • Semana 2: Capítulo 2A, 2B, 2C, 3A
  • Tarefa online nº 2 (entrega no domingo 04/10): leia 3A, 3B, 3C
  • Semana 3: Capítulo 3B, 3C, 3D
  • Tarefa online nº 3 (entrega no domingo 10/11): leia 3E, 3F, 5A
  • Semana 4: Capítulo 5A, 3F (sem aniquiladores), 3E (apenas quocientes)
  • Tarefa online nº 4 (entrega no domingo 18/10): leia 5B, 5C e p262 & ndash267 no polinômio mínimo (pule 8.48) revise p122 & ndash125 nos polinômios, se necessário
  • Semana 5: Capítulo 5A, 5B, 5C, 8.C (sem polinômio característico)
  • Semana 6: Capítulo 5C, 6A, 6B
  • Tarefa online nº 6 (entrega no domingo 01/11): analise o Capítulo 6A até a página 169, leia 6B, 6C
  • Semana 7: Capítulo 6B, 6C, 7A
  • Tarefa online nº 7 (entrega no domingo, 8 de novembro): leia 7A e declarações de Teoremas Espectrais Complexos / Reais em 7B
  • Semana 8: Capítulo 7A, 7B, resumo de 7C
  • Trabalho online # 8 (prazo terça-feira 17/11): leia as Seções 1 (O espaço de k-cunhas) e Seção 2 (Dependência e independência da cunha) destas notas
  • Semana 9: Seções 1, 2, 3 das Notas sobre k-fatias e determinantes
  • Semana 10: Jordan form SVD (slides de recuperação de imagem: 1, 2, 3) Desigualdade de Bell e álgebra linear em mecânica quântica.

O plano de estudos completo do curso está disponível aqui.

Descrição do Curso: Math 113 é um curso de álgebra linear, o estudo de espaços vetoriais e mapas lineares. A ênfase será bastante teórica: estudaremos propriedades abstratas de espaços vetoriais e mapas lineares, bem como sua interpretação geométrica, ignorando principalmente os aspectos computacionais. Se você está mais interessado em aplicações de álgebra linear, você deve considerar tomar Álgebra Linear feita da maneira certa ( ed), obrigatório.


Descrição do Curso

Este curso cobre a teoria da matriz e álgebra linear, enfatizando tópicos úteis em outras disciplinas, como física, economia e ciências sociais, ciências naturais e engenharia. É um paralelo com a combinação de teoria e aplicações no livro didático do Professor Strang & rsquos Introdução à Álgebra Linear.

Formato do curso

Este curso foi elaborado para estudo independente. Ele fornece tudo que você precisa para entender os conceitos abordados no curso. Os materiais incluem:

  • Um conjunto completo de Vídeos de palestras pelo professor Gilbert Strang.
  • Notas Resumidas para todos os vídeos junto com as leituras sugeridas no livro didático do Prof. Strang Álgebra Linear.
  • Vídeos de resolução de problemas sobre cada tópico ensinado por um instrutor experiente de recitação do MIT.
  • Conjuntos de Problemas para fazer por conta própria com Soluções para verificar suas respostas quando terminar.
  • Uma seleção de Demonstrações Java e reg para ilustrar os conceitos-chave.
  • Um conjunto completo de Exames com Soluções, incluindo material de revisão para ajudá-lo a se preparar.

8: 04 Trabalho em sala de aula - Álgebra Linear e Python - Matemática

Matemática para Dados (Fundamentos da Análise de Dados)
Instrutor: Jeff Phillips (email) | Horário de atendimento: quintas-feiras das 10h às 11h @ MEB 3442 (e diretamente após a aula no MEB 3105)
ATs: Mehran Javanmardi (e-mail) | Horário de atendimento: segundas-feiras das 14 às 16 horas @ MEB 3115
Outono de 2016 | Terças e quintas, 12h25 - 13h45
MEB 3105
Número do catálogo: CS 4964 01

Descrição:
Esta aula será uma introdução à análise de dados computacionais, com foco nos fundamentos matemáticos. O objetivo será desenvolver e explorar cuidadosamente vários tópicos principais que formam a espinha dorsal dos tópicos modernos de análise de dados, incluindo Aprendizado de Máquina, Mineração de Dados, Inteligência Artificial e Visualização. Isso incluirá alguma experiência em probabilidade e álgebra linear e, em seguida, vários tópicos, incluindo a Regra de Bayes e conexão com a inferência, regressão linear e suas extensões polinomiais e de alta dimensão, análise de componente principal e redução de dimensionalidade, bem como classificação e agrupamento. Também nos concentraremos no PAC moderno (provavelmente aproximadamente correto) e em modelos de validação cruzada para avaliação de algoritmo.
Esses tópicos são frequentemente abordados de forma muito abrupta no final de uma aula de probabilidade ou álgebra linear e, em seguida, são frequentemente considerados conhecimentos em mineração de dados avançada ou aulas de aprendizado de máquina. Esta aula vai preencher essa lacuna. Embora alguns alunos possam querer ir direto para aulas de análise de dados avançada (por exemplo, CS5350, CS5340, CS5140, CS5630, CS6300), esta aula pode ser sábia para fazer primeiro. O ritmo planejado será mais próximo ao CS3130 ou Math2270 do que aos cursos de nível 5000/6000. Além disso, alguns alunos podem querer voltar e solidificar seus alicerces se as aulas de nível 5000/6000 forem um pouco aceleradas.

O plano atual é usar Python nas aulas para demonstrar e explorar conceitos básicos. Mas a programação não será o foco principal.

Espero postar minhas próprias notas para acompanhar cada conjunto de palestras.

Pré-requisitos:
Os pré-requisitos oficiais são CS 2100 e CS 2420. Estes são para garantir uma certa maturidade matemática muito básica (CS 2100) e uma compreensão básica de como armazenar e manipular dados com alguma eficiência (CS2420).

Esta será a primeira iteração desta classe. Se tudo correr bem, as versões futuras desta aula podem exigir os pré-requisitos do CS 3130 e do Math 2270 (então, pode começar com menos revisão). E então esta classe pode, por sua vez, ser um pré-requisito para CS 5350, CS 5140, CS6300, etc. como parte de um novo pipeline de Ciência de Dados.

Cronograma:

Encontro: Data Tema Atribuição
Ter 8,23 Visão geral da aula
Qui, 8,25 Revisão de probabilidade: espaço amostral, variáveis ​​aleatórias, independência
Ter 8,30 Revisão de probabilidade: PDFs, CDFs, expectativa, variação, distribuições conjuntas e marginais HW1 fora
Qui 9,01 Regra de Bayes
Ter 9,06 Regra de Bayes: Raciocínio Bayesiano
Qui 9,08 Convergência: Teorema do Limite Central e Estimativa
Ter 9,13 Convergência: Algoritmos PAC e concentração de medida HW 1 devido
Qui 9,15 Revisão de Álgebra Linear: Vetores, Matrizes, Multiplicação e Escala Quiz 1
Ter 9,20 Revisão de Álgebra Linear: Normas, Independência Linear, Classificação HW 2 out
Qui 9,22 Revisão de álgebra linear: inverso, ortogonalidade, numpy
Ter 9,27 Regressão Linear: dependentes, variáveis ​​independentes
Qui 9,29 Regressão Linear: regressão múltipla, regressão polinomial
Ter 10.04 Regressão Linear: overfitting e validação cruzada HW 2 devido
Qui 10.06 Regressão Linear: (folga) ou kernels Quiz 2
Ter 10,11 FALL BREAK
Qui 10,13 FALL BREAK
Ter 10.18 Gradiente descendente: funções, mínimo, máximo, convexidade HW 3 fora
Qui 10,20 Gradient Descent: gradientes e variantes algorítmicas
Ter 10,25 Gradiente descendente: ajuste de modelos aos dados e gradiente estocástico descendente
Qui 10,27 PCA: SVD
Ter 11.01 PCA: opa - aula retroativa foi cancelada
Qui 11.03 PCA: aproximação de rank-k e autovalores HW 3 devido
Ter 11.08 PCA: método de potência | Dia da eleição - não se esqueça de votar ' HW 4 out
Qui 11,10 PCA: centralização, MDS e redução dimensional Questionário 3
Ter 11.15 Agrupamento: Daigrams Voronoi
Qui 11,17 Agrupamento: k-médias
Ter 11,22 Clustering: EM HW 4 devido
Qui 11,24 AÇÃO DE GRAÇAS HW 5 out
Ter 11,29 Classificação: previsão linear
Qui 12.01 Classificação: Algoritmo de Perceptron
Ter 12.06 Classificação: variantes (kernels, KNN, talvez redes neurais)
Qui 12.08 em aula revisão Quiz 4
Sex 12.09 HW 5 devido
Seg, 12,12 EXAME FINAL (10h30 - 12h30) (prática)

Organização da Classe: A aula será executada por meio desta página da web e do Canvas. A programação, notas e links serão mantidos aqui. Todos os trabalhos de casa serão entregues por meio do Canvas.


Classificação: Haverá um exame final com 20% da nota. Trabalhos de casa e questionários valerão 80% da nota. Haverá 5 trabalhos de casa e 4 questionários - o mais baixo (um dever de casa ou um questionário) pode ser descartado. Portanto, cada dever de casa / questionário contado valerá 10% da nota.

Os trabalhos de casa geralmente consistem em um conjunto de problemas analíticos e, às vezes, exercícios leves de programação em python. Quando o python for usado, normalmente trabalharemos primeiro com os exemplos na aula.


Política de atraso: Para obter o crédito total por uma tarefa, ela deve ser entregue por meio do Canvas no início da aula, especificamente ao meio-dia. Uma vez que o prazo de 12 horas seja perdido, os que forem entregues com atraso perderão 10%. A cada 24 horas subsequentes, até que seja virado, outros 10% são deduzidos. Ou seja, um dever de casa com 30 horas de atraso valendo 10 pontos terá perdido 2 pontos. Assim que a tarefa corrigida for devolvida, ou depois de 48 horas, qualquer tarefa ainda não entregue receberá 0.


Política de conduta acadêmica: A Escola de Computação de Utah tem uma política de má conduta acadêmica, que exige que todos os alunos registrados assinem um Formulário de Reconhecimento. Este formulário deve ser assinado e entregue ao escritório do departamento antes que qualquer tarefa seja avaliada.

Esta aula tem a seguinte política de colaboração:
Para as tarefas, os alunos podem discutir as respostas com qualquer pessoa, incluindo abordagem do problema, provas e código. Mas todos os alunos devem escrever seus próprios códigos, provas e redações. Se você colaborou com outro aluno nos deveres de casa até o ponto em que espera que suas respostas comecem a parecer semelhantes, você deve explicar até que ponto colaborou explicitamente no dever de casa. Os alunos cujos deveres de casa parecem muito semelhantes e não explicaram a colaboração receberão 0 nessa tarefa.

Para questionários e exame final, conversar com qualquer pessoa (exceto instrutores / TAs) durante o período de exame não é permitido e resultará em 0 nesse teste ou questionário.


8: 04 Trabalho em sala de aula - Álgebra Linear e Python - Matemática

Álgebra Linear com Aplicações AMTH / MATH 222

Instrutor: Michael Magee

Horário de atendimento: qui. 16h00-18h00

Professor assistente: Minju Lee

Escritório: Dunham Labs 432 (sala comum)

Horário de atendimento: terças e quintas, das 9h30 às 11h30

Tutor de pares: Jedidiah Thompson

Escritório: Berkeley College Room A01

Horário comercial: quarta-feira, das 19h30 às 21h30, e de domingo às 14h00

Introdução à Álgebra Linear, 4ª edição, Gilbert Strang.

Aviso: este é o livro azul de Strang. Verifique se o seu livro está azul!

Vamos examinar todo o livro didático.

Mostre seu trabalho para cada problema. As perguntas são do livro didático.

HW 1.
1.1. Questão 30
1.2. Questões 2, 27
1.3. Questão 3
2.1. Perguntas 9, 20
2.2. Perguntas 13, 16
2.3. Perguntas 7, 29
2.4. Questões 20,34

HW 2.
2,5. Perguntas 2, 25, 29, 40
2.6. Perguntas 7,16, 23
2.7. Questões 7,13, 24

HW 3.
3.1. Perguntas 18, 27, 28
3.2. Questões 1,21, 27
3.3. Perguntas 2,12, 15

HW 4.
3.4. Perguntas 1, 23, 34
3,5. Perguntas 1,9, 13, 16
3,6. Perguntas 3,13, 14

HW 5. Soluções Selecionadas
4.1. Perguntas 4, 19, 22, 24, 26
4.2. Perguntas 5, 13, 17, 25

HW 6.
3.2. Questão 9
3.3. Questão 11
3.4 Perguntas 5, 11
3.5 Perguntas 21, 24
3.6 Perguntas 17, 25
4.1 Perguntas 19, 20
4.2 Perguntas 11, 12

HW 7. Soluções
4.3. Questões 1, 2
4,4. Questão 4, 18 (mostrar trabalho)
5.1. Perguntas 3, 13, 28
5,2 Perguntas 1, 4, 5

HW 8. Soluções
5,2 Perguntas 11, 14, 23, 28
5.3. Perguntas 1, 6, 7, 19, 20

HW 9. Soluções
6.1. Perguntas 4, 12, 14, 25, 35
6,2 Perguntas 2, 11, 16, 18, 31, 32

HW 10.
6,4 Perguntas 1, 4, 19
6,5. Perguntas 7, 11, 20
6,6. Perguntas 1, 3, 21
6,7. Perguntas 1 (mostram trabalho), 6, 11

Nos reunimos para palestra no Watson Center (WTS) A51, às segundas, quartas e sextas das 10h30 às 11h20.

Dia do Trabalho: as aulas não acontecem na segunda-feira, 5 de setembro.

Aula 05. 12 de setembro (M) * HW1 devido em aula

Aula 07. 16 de setembro (F) * HW2 devido em aula

Aula 10. 23 de setembro (F) * HW3 devido na aula

Aula 13. 30 de setembro (F) * HW4 devido na aula

Aula 16. 7 de outubro (F) * HW5 devido na aula

Aula 19. 14 de outubro (F) * HW6 devido na aula

Aula 25. 4 de novembro (F) * HW7 devido na aula

Aula 28. 11 de novembro (F) * HW8 devido na aula

Aula 31 de novembro. 18 de novembro (F) * HW9 devido na aula

Aqui está o código Python da aula de sexta-feira. Você precisará baixar NumPy (biblioteca numérica para Python) e PIL / Pillow (biblioteca de processamento de imagem Python). Eles podem ser obtidos usando o gerenciador de pacotes pip do Python.


Assista o vídeo: Programa de Iniciação Científica: Introdução à Álgebra Linear - Aula 01 (Outubro 2021).