Kurzusleírás
Bevezetés
Valószínűségszámítás, modellválasztás, döntés- és információelmélet
Valószínűségi eloszlások
Lineáris modellek regresszióhoz és osztályozáshoz
Neural Networks
Kernel Methods
Ritka kernel gépek
Grafikus modellek
Keverékmodellek és EM
Hozzávetőleges következtetés
Mintavételi módszerek
Folyamatos látens változók
Szekvenciális adatok
Modellek kombinálása
Összefoglalás, és következtetés
Követelmények
- A statisztika megértése.
- A többváltozós számítás és az alapvető lineáris algebra ismerete.
- Némi tapasztalat a valószínűségekkel.
Közönség
- Adatelemzők
- PhD hallgatók, kutatók és gyakorlati szakemberek
Vélemények (3)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurzus - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Kurzus - Applied AI from Scratch in Python
Very flexible