Ce que vous devez savoir avant
Vous commencez
Débute 4 June 2026 00:13
Se termine 4 June 2026
Fondations mathématiques de l'IA
RWTH Aachen University
4 Cours
RWTH Aachen est une université technique de premier plan avec une réputation mondiale pour l'excellence de son enseignement et de sa recherche. Avec neuf facultés et plus de 37 000 étudiants, c'est l'une des plus grandes universités d'Allemagne.
8 weeks, 6-8 hours a week
Amélioration optionnelle disponible
Intermédiaire
Progressez à votre rythme
Free Online Course (Audit)
Amélioration optionnelle disponible
Aperçu
The “Mathematical Foundations of AI” course provides a rigorous introduction to the fundamental mathematical concepts behind many algorithms in machine learning and artificial intelligence, including linear algebra, calculus, and optimization theory. Starting with vectors and matrices, the course covers basic operations and geometric interpretations, matrix transformation and inversion, solving systems of linear equations, matrix factorizations such as diagonalization, singular value decomposition (SVD), and Cholesky decomposition.
The course then introduces calculus-based optimization to identify and classify extrema in both univariate and multivariate functions before handling constrained optimization using Lagrange multipliers and the Karush-Kuhn-Tucker (KKT) conditions. Finally, attention turns to iterative optimization methods, which form the computational basis of many modern machine learning models.
By the end of the course, students will be equipped with the mathematical knowledge needed to understand the foundations of machine learning and AI techniques, providing a solid basis for further study in AI-related fields. Enroll now to build the mathematical foundations you need for a career in AI!
Programme
- Comprendre et appliquer les opérations vecteurs et matrices
- Utiliser les transformations matricielles (par exemple, l'élimination de Gauss) et calculer les inverses de matrices pour résoudre des systèmes d'équations linéaires
- Appliquer la diagonalisation, la décomposition en valeurs singulières et la décomposition de Cholesky pour la réduction de dimension et la factorisation matricielle
- Appliquer les concepts de calcul de base pour effectuer une optimisation non contrainte sur des fonctions univariées et multivariées
- Formuler et résoudre des problèmes d'optimisation contraints en utilisant les multiplicateurs de Lagrange et les conditions de Karush-Kuhn-Tucker (KKT)
- Comprendre et mettre en œuvre des algorithmes d'optimisation itératifs
Matières
Artificial Intelligence
