Day 12-DSIT- Scalars and Vectors (Linear Algebra Part 1) Mathematics for Machine Learning & DL

எங்கள் வாழ்வும் எங்கள் வளமும்
மங்காத தமிழ் என்று சங்கே முழங்கு … புரட்சிக்கவி

வணக்கம்....

Data Science & Artificial Intelligence என்பது இப்பொழுது வளர்ந்து வரும் அதிநவீன தொழில்நுட்பம். நம் தமிழ் சமூகத்துக்கு இந்த அதிநவீன டெக்னாலஜி போய் சேர வேண்டும் என்ற நோக்கில், Data Science in Tamil – WWW.DataScienceInTamil.Com) சார்பாக , நாம் Data Science & Artificial Intelligence சம்பந்தப்பட்ட தொழில்நுட்ப வகுப்புகளை முற்றிலும் இலவசமாக நடத்திக் கொண்டிருக்கின்றோம்.

நாம் Data Science, Machine Learning, Deep Learning, Neural Network கற்று கொள்வதற்கு, மிக மிக அவசியமாக, கீழ் கண்டவற்றை கற்று கொள்ள வேண்டும்.
1. Linear Algebra
2. Analytical Geometry
3. Calculus (Differential and Integral)
4. Statistics
5. Probability Theory
-----------
நாம் ஏற்கனவே
🟢 Python வகுப்புகள் மூன்று முறையும் ,
🟢 NumPy வகுப்புகள் இரண்டு முறையும்,
🟢 Pandas வகுப்புகள் இரண்டு முறையும்,
🟢 Data Analysis & Visualization in Machine Learning வகுப்பு ஒரு முறையும் நடத்தி,

✍️ To join Data Science In Tamil Telegram
இந்த குழுவில் உங்கள் நண்பர்களை இணைக்க, லிங்க்
---------
To join Data Science In Tamil WhatsApp
-----
To watch the recorded videos in YouTube, playlists' URL is
-----
✍️ Python 3rd batch playlist - 45 videos

✍️ NumPy 2nd batch playlist - 18 videos

✍️ Pandas 2nd batch playlist - 19 videos

✍️ Data Analysis & Visualization in Machine Learning
1st batch playlist - 18 videos

✍️ Intro to Data Analysis & Preprocessing in Machine Learning
1st batch playlist - 12 videos

இதன் தொடர்ச்சியாக, நம்முடைய Data Science in Tamil சார்பாக, Data Science & AI இன் ஒரு முக்கிய அங்கமான Machine Learning பற்றி ஒரு அறிமுக வகுப்பு நடத்தலாம் என்று இருக்கிறோம்.

✍️ மேலும் முக்கிய கேள்விகள் பதில்களுக்கு :

✍️ Official Website:
----
Topics to cover in Linear Algebra
Topic : 1 - Introduction to Scalars and Vectors
Topic : 2 - Matrices and Tensors
Topic : 3 - Span, Linear Dependency, and Space Transformation
Topic : 4 - Systems of Linear Equations
Topic : 5 - Eigenvectors, Eigenvalues, and Eigen decomposition
Topic : 6 - Singular Value Decomposition
==
Chapter 1 of Topic - 1 Introduction to Scalars and Vectors
1. Real number system
2. Complex number system
3. What is Algebra
4. What is Linear Algebra
5. How to read and understand Algebraic expressions
6. Applications of linear algebra in data science
7. Scalars vs Vectors vs Matrix vs Tensors
8. What is Scalar
9. Magnitude / length of Scalar
10. How to find magnitude for scalar using NumPy?
11. What are Vectors
12. Vectors in Data Science
13. Euclidean vector or Geometric Vector
14. Coordinate Vectors
15. difference between a geometric vector and an algebraic vector
16. Cartesian Plane
17. What are the four quadrants of the Cartesian plane?
18. Magnitude of vector
19. Vector Spaces
20. Axioms (Rules) and types of Axioms (10 Types)
21. Special Vectors / Types of vectors
1) Zero Vector or null vector
2) Unit Vector
3) Position Vector
4) Coinitial Vector
5) Coterminal vector
6) Collinear Vector
7) Coplanar Vector
8) Like and Unlike Vectors
9) Equal Vector
10) Displacement Vector
11) Negative of a Vector or Opposite vectors
12) Orthogonal vectors = Normal Vectors
13) Orthonormal vectors = Orthogonal unit vector
14) Proper vector
15) Basis vector
16) Row and Columns Vectors
===
Chapter 2 of Topic 1: Operations and Manipulations on Vectors
1. Basic operations
2. Transposition
3. Operations on Vector– using inbuilt NumPy Functions
4. Flavours of DOT product
---
Chapter 3 of Topic 1 – Norms
1. Why norms are important in Machine Learning
2. Definitions & properties of vector norm (4 properties)
3. Types of Norms (9 types)
1. Common Vector Norms i.e. L2(most used norm)
2. L1 Norm/ Manhattan Norm
3. Max Norm (inf) or infinity norm
4. Min Norm (-inf) / min(sum(abs(x), axis=1))
5. Norm Representations
----
Chapter 4 of Topic 1 - The Dot Product with vectors
1. Definition
2. Geometric and Algebraic interpretation
3. Special Cases
1. Dot product between two orthogonal vectors
2. Dot product between a unit vector
4. Properties of dot product
5. Hands-on Project: Vectorizing the Squared L 2 Norm with the Dot Product
6. Hands-on Project: Regularization