Plan du cours
Introduction
- Aperçu de la reconnaissance de motifs et de l'apprentissage automatique
- Applications clés dans divers domaines
- Importance de la reconnaissance de motifs dans la technologie moderne
Théorie des probabilités, sélection de modèles, théorie de la décision et de l'information
- Principes de base de la théorie des probabilités en reconnaissance de motifs
- Concepts de sélection et d'évaluation des modèles
- Théorie de la décision et ses applications
- Fondamentaux de la théorie de l'information
Distributions de probabilité
- Aperçu des distributions de probabilité courantes
- Rôle des distributions dans la modélisation des données
- Applications en reconnaissance de motifs
Modèles linéaires pour la régression et la classification
- Introduction à la régression linéaire
- Compréhension de la classification linéaire
- Applications et limites des modèles linéaires
Réseaux neuronaux
- Principes de base des réseaux neuronaux et de l'apprentissage profond
- Entraînement des réseaux neuronaux pour la reconnaissance de motifs
- Exemples pratiques et études de cas
Méthodes noyau
- Introduction aux méthodes noyau en reconnaissance de motifs
- Machines à vecteurs de support et autres modèles basés sur les noyaux
- Applications aux données de grande dimension
Machines noyau clairsemées
- Compréhension des modèles clairsemés en reconnaissance de motifs
- Techniques de parcimonie des modèles et de régularisation
- Applications pratiques en analyse de données
Modèles graphiques
- Aperçu des modèles graphiques en apprentissage automatique
- Réseaux bayésiens et champs aléatoires de Markov
- Inférence et apprentissage dans les modèles graphiques
Modèles de mélange et algorithme EM
- Introduction aux modèles de mélange
- Algorithme d'espérance-maximisation (EM)
- Applications en clustering et estimation de densité
Inférence approximative
- Techniques d'inférence approximative dans les modèles complexes
- Méthodes variationnelles et échantillonnage de Monte Carlo
- Applications à l'analyse de données à grande échelle
Méthodes d'échantillonnage
- Importance de l'échantillonnage dans les modèles probabilistes
- Techniques de Monte Carlo par chaîne de Markov (MCMC)
- Applications en reconnaissance de motifs
Variables latentes continues
- Compréhension des modèles de variables latentes continues
- Applications en réduction de dimension et représentation des données
- Exemples pratiques et études de cas
Données séquentielles
- Introduction à la modélisation des données séquentielles
- Modèles de Markov cachés et techniques apparentées
- Applications à l'analyse des séries temporelles et à la reconnaissance vocale
Combinaison de modèles
- Techniques de combinaison de plusieurs modèles
- Méthodes d'ensemble et boosting
- Applications à l'amélioration de la précision des modèles
Resume et prochaines étapes
Pré requis
- Compréhension des statistiques
- Connaissance du calcul multivarié et des bases de l'algèbre linéaire
- Expérience avec les probabilités
Audience
- Analistes de données
- Étudiants au doctorat, chercheurs et praticiens
Nos clients témoignent (3)
J'ai vraiment aimé la fin où nous avons pris le temps de jouer avec CHAT GPT. La salle n'était pas très bien organisée pour cela - au lieu d'une grande table, quelques petites tables auraient été préférables afin que nous puissions travailler en petits groupes et brainstormer.
Nola - Laramie County Community College
Formation - Artificial Intelligence (AI) Overview
Traduction automatique
Travailler à partir des principes fondamentaux de manière concentrée, puis passer à l'application d'études de cas le même jour
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
Traduction automatique
Qu'il utilisait des données réelles d'entreprise. Le formateur avait une très bonne approche en faisant participer et concourir les stagiaires
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Formation - Applied AI from Scratch in Python
Traduction automatique
