Struttura del corso
Introduzione
Teoria della probabilità, selezione dei modelli, teoria delle decisioni e dell'informazione
Distribuzioni di probabilità
Modelli lineari per la regressione e la classificazione
Neural Networks
Metodi del kernel
Macchine a kernel sparso
Modelli grafici
Modelli di miscela e EM
Inferenza approssimativa
Metodi di campionamento
Variabili latenti continue
Dati sequenziali
Combinazione di modelli
Riassunto e conclusione
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 professionisti
Recensioni (3)
It felt like we were going through directly relevant information at a good pace (i.e. no filler material)
Maggie Webb - Department of Jobs, Regions, and Precincts
Corso - Introduction to the use of neural networks
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
Corso - Artificial Neural Networks, Machine Learning, Deep Thinking
Very flexible