Plan du cours
Introduction
Théorie des probabilités, sélection de modèles, théorie de la décision et de l'information
Distributions de probabilité
Modèles linéaires pour la régression et la classification
Neural Networks
Méthodes du noyau
Machines à noyau clairsemé
Modèles graphiques
Modèles de mélange et EM
Inférence approximative
Méthodes d'échantillonnage
Variables latentes continues
Données séquentielles
Combinaison de modèles
Sommaire et conclusion
Pré requis
- Compréhension des statistiques.
- Familiarité avec le calcul à plusieurs variables et l'algèbre linéaire de base.
- Une certaine expérience des probabilités.
Audience
- Analystes de données
- Doctorants, chercheurs et praticiens
Nos Clients témoignent (3)
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
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Formation - Applied AI from Scratch in Python
It felt like we were going through directly relevant information at a good pace (i.e. no filler material)