Schița de curs
Introducere
- Prezentare generală a recunoașterii modelelor și învățării automate
- Aplicații cheie în diverse domenii
- Importanța recunoașterii modelelor în tehnologia modernă
Teoria Probabilităților, Selectarea Modelelor, Teoria Deciziilor și a Informațiilor
- Bazele teoriei probabilităților în recunoașterea modelelor
- Concepte de selectare și evaluare a modelelor
- Teoria deciziilor și aplicațiile sale
- Bazele teoriei informațiilor
Distribuții de Probabilitate
- Prezentare generală a distribuțiilor de probabilitate comune
- Rolul distribuțiilor în modelarea datelor
- Aplicații în recunoașterea modelelor
Modele Liniare pentru Regresie și Clasificare
- Introducere în regresia liniară
- Înțelegerea clasificării liniare
- Aplicații și limitări ale modelelor liniare
Rețele Neuronale
- Bazele rețelelor neuronale și ale învățării profunde
- Antrenarea rețelelor neuronale pentru recunoașterea modelelor
- Exemple practice și studii de caz
Metode de Kernel
- Introducere în metodele de kernel în recunoașterea modelelor
- Mașini cu vectori de suport și alte modele bazate pe kernel
- Aplicații în date de dimensiuni mari
Mașini de Kernel Sparse
- Înțelegerea modelelor sparse în recunoașterea modelelor
- Tehnici pentru sparsitatea modelelor și regularizare
- Aplicații practice în analiza datelor
Modele Grafice
- Prezentare generală a modelelor grafice în învățarea automată
- Rețele bayesiene și câmpuri Markov
- Inferență și învățare în modelele grafice
Modele Mixt și EM
- Introducere în modelele mixte
- Algoritmul Expectation-Maximization (EM)
- Aplicații în clustering și estimarea densității
Inferență Aproximativă
- Tehnici pentru inferența aproximativă în modele complexe
- Metode variaționale și eșantionare Monte Carlo
- Aplicații în analiza datelor la scară largă
Metode de Eșantionare
- Importanța eșantionării în modelele probabiliste
- Tehnici Markov Chain Monte Carlo (MCMC)
- Aplicații în recunoașterea modelelor
Variabile Latente Continue
- Înțelegerea modelelor cu variabile latente continue
- Aplicații în reducerea dimensionalității și reprezentarea datelor
- Exemple practice și studii de caz
Date Secvențiale
- Introducere în modelarea datelor secvențiale
- Modele Markov ascunse și tehnici conexe
- Aplicații în analiza seriilor temporale și recunoașterea vorbirii
Combinarea Modelelor
- Tehnici pentru combinarea mai multor modele
- Metode de ansamblu și boosting
- Aplicații în îmbunătățirea acurateței modelelor
Rezumat și Următorii Pași
Cerințe
- Cunoștințe de bază în statistică
- Familiaritate cu calculul multivariat și algebra liniară de bază
- Experiență în domeniul probabilităților
Publicul țintă
- Analiști de date
- Studenți la doctorat, cercetători și practicieni
Mărturii (3)
Mi-a plăcut foarte mult finalul unde am avut ocazia să jucăm cu CHAT GPT. Sala nu era configuraționată cel mai bine pentru aceasta - ar fi fost mai util să avem câteva mese mici în loc de o masă mare, astfel încât să putem forma grupuri mai mici și să ne brainstorm-urim idei.
Nola - Laramie County Community College
Curs - Artificial Intelligence (AI) Overview
Tradus de catre o masina
Lucrând pe baza principiilor de bază într-un mod concentrat, și trecerea la aplicarea studiilor de caz în aceeași zi
Maggie Webb - Department of Jobs, Regions, and Precincts
Curs - Artificial Neural Networks, Machine Learning, Deep Thinking
Tradus de catre o masina
A păru că trecusem prin informații direct relevante într-un ritm potrivit (adică fără materiale de umplutură)
Maggie Webb - Department of Jobs, Regions, and Precincts
Curs - Introduction to the use of neural networks
Tradus de catre o masina
