Kursplan
Införandet
- Översikt över mönsterigenkänning och maskininlärning
- Viktiga tillämpningar inom olika områden
- Vikten av mönsterigenkänning i modern teknik
Sannolikhetslära, Modellval, Besluts- och informationsteori
- Grunderna i sannolikhetsteori inom mönsterigenkänning
- Begrepp för modellval och utvärdering
- Beslutsteori och dess tillämpningar
- Grunderna i informationsteori
Sannolikhetsfördelningar
- Översikt över vanliga sannolikhetsfördelningar
- Fördelningars roll i modellering av data
- Tillämpningar inom mönsterigenkänning
Linjära modeller för regression och klassificering
- Introduktion till linjär regression
- Förstå linjär klassificering
- Tillämpningar och begränsningar av linjära modeller
Neural Networks
- Grunderna i neurala nätverk och djupinlärning
- Träna neurala nätverk för mönsterigenkänning
- Praktiska exempel och fallstudier
Metoder för kärnan
- Introduktion till kärnmetoder i mönsterigenkänning
- Stöd för vektormaskiner och andra kärnbaserade modeller
- Tillämpningar i högdimensionella data
Sparsa kernel-maskiner
- Förstå glesa modeller i mönsterigenkänning
- Tekniker för modellgleshet och regularisering
- Praktiska tillämpningar inom dataanalys
Grafiska modeller
- Översikt över grafiska modeller inom maskininlärning
- Bayesianska nätverk och Markov-slumpfält
- Inferens och inlärning i grafiska modeller
Blandningsmodeller och EM
- Introduktion till blandningsmodeller
- Algoritm för förväntningsmaximering (EM)
- Tillämpningar inom klustring och densitetsuppskattning
Ungefärlig inferens
- Tekniker för approximativ inferens i komplexa modeller
- Variationsmetoder och Monte Carlo-provtagning
- Tillämpningar inom storskalig dataanalys
Metoder för provtagning
- Betydelsen av sampling i probabilistiska modeller
- Markov Chain Monte Carlo (MCMC) tekniker
- Tillämpningar inom mönsterigenkänning
Kontinuerliga latenta variabler
- Förstå modeller för kontinuerliga latenta variabler
- Tillämpningar inom dimensionalitetsreduktion och datarepresentation
- Praktiska exempel och fallstudier
Sekventiella data
- Introduktion till modellering av sekventiella data
- Dolda Markovmodeller och relaterade tekniker
- Tillämpningar inom tidsserieanalys och taligenkänning
Kombinera modeller
- Tekniker för att kombinera flera modeller
- Ensemblemetoder och boosting
- Tillämpningar för att förbättra modellens noggrannhet
Sammanfattning och nästa steg
Krav
- Förståelse för statistik
- Förtrogenhet med multivariat analys och grundläggande linjär algebra
- Viss erfarenhet av sannolikheter
Publik
- Dataanalytiker
- Doktorander, forskare och praktiker
Vittnesmål (2)
Att hjälpa dem som aldrig har använt AI att uppnå bättre precision genom upprepade anpassningar av prompts, samt uppmuntra erfarna användare att utforska olika strategier för att använda tekniken.
Matthew Gay - Tarsus Pharmaceuticals
Kurs - Artificial Intelligence (AI) Overview
Maskintolkat
Att arbeta från grunderna på ett fokuserat sätt och övergå till att tillämpa fallstudier samma dag
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurs - Artificial Neural Networks, Machine Learning, Deep Thinking
Maskintolkat
