Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione
- Panoramica del riconoscimento dei modelli e dell'apprendimento automatico
- Applicazioni chiave in vari campi
- Importanza del riconoscimento dei modelli nella tecnologia moderna
Teoria della Probabilità, Selezione dei Modelli, Teoria delle Decisioni e dell'Informazione
- Fondamenti di teoria della probabilità nel riconoscimento di pattern
- Concetti di selezione e valutazione del modello
- La teoria delle decisioni e le sue applicazioni
- Fondamenti di teoria dell'informazione
Distribuzioni di probabilità
- Panoramica delle distribuzioni di probabilità comuni
- Ruolo delle distribuzioni nella modellazione dei dati
- Applicazioni nel riconoscimento dei modelli
Modelli lineari per la regressione e la classificazione
- Introduzione alla regressione lineare
- Comprendere la classificazione lineare
- Applicazioni e limiti dei modelli lineari
Neural Networks
- Nozioni di base sulle reti neurali e sul deep learning
- Addestramento di reti neurali per il riconoscimento di modelli
- Esempi pratici e casi di studio
Metodi del kernel
- Introduzione ai metodi del kernel nel riconoscimento dei pattern
- Supporta macchine vettoriali e altri modelli basati su kernel
- Applicazioni in dati ad alta dimensionalità
Macchine con kernel sparse
- Comprensione dei modelli sparsi nel riconoscimento dei modelli
- Tecniche per la sparsità e la regolarizzazione del modello
- Applicazioni pratiche nell'analisi dei dati
Modelli grafici
- Panoramica dei modelli grafici nell'apprendimento automatico
- Reti bayesiane e campi casuali di Markov
- Inferenza e apprendimento nei modelli grafici
Modelli di miscela ed EM
- Introduzione ai modelli di miscela
- Algoritmo di massimizzazione delle aspettative (EM)
- Applicazioni nel clustering e nella stima della densità
Inferenza approssimata
- Tecniche per l'inferenza approssimata in modelli complessi
- Metodi variazionali e campionamento Monte Carlo
- Applicazioni nell'analisi dei dati su larga scala
Metodi di campionamento
- Importanza del campionamento nei modelli probabilistici
- Tecniche Markov Chain Monte Carlo (MCMC)
- Applicazioni nel riconoscimento dei modelli
Variabili latenti continue
- Comprensione dei modelli a variabili latenti continue
- Applicazioni nella riduzione della dimensionalità e nella rappresentazione dei dati
- Esempi pratici e casi di studio
Dati sequenziali
- Introduzione alla modellazione di dati sequenziali
- Modelli di Markov nascosti e tecniche correlate
- Applicazioni nell'analisi delle serie temporali e nel riconoscimento vocale
Combinazione di modelli
- Tecniche per combinare più modelli
- Metodi d'insieme e boosting
- Applicazioni per migliorare l'accuratezza del modello
Riepilogo e passaggi successivi
Requisiti
- Comprensione della statistica
- Familiarità con il calcolo multivariato e l'algebra lineare di base
- Un po' di esperienza con le probabilità
Pubblico
- Analisti di dati
- Dottorandi, ricercatori e operatori
21 Ore
Recensioni (5)
Hunter è fantastico, molto coinvolgente, estremamente competente e affabile. Ben fatto.
Rick Johnson - Laramie County Community College
Corso - Artificial Intelligence (AI) Overview
Traduzione automatica
L'istruttore era un professionista nel campo e ha correlato la teoria con l'applicazione in modo eccellente
Fahad Malalla - Tatweer Petroleum
Corso - Applied AI from Scratch in Python
Traduzione automatica
Very flexible.
Frank Ueltzhoffer
Corso - Artificial Neural Networks, Machine Learning and Deep Thinking
Traduzione automatica
I liked the new insights in deep machine learning.
Josip Arneric
Corso - Neural Network in R
Traduzione automatica
Ann created a great environment to ask questions and learn. We had a lot of fun and also learned a lot at the same time.
Gudrun Bickelq
Corso - Introduction to the use of neural networks
Traduzione automatica
