Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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 favoloso, molto coinvolgente, estremamente ben informato e simpatico. Molto ben fatto.
Rick Johnson - Laramie County Community College
Corso - Artificial Intelligence (AI) Overview
Traduzione automatica
The trainer was a professional in the subject field and related theory with application excellently
Fahad Malalla - Tatweer Petroleum
Corso - Applied AI from Scratch in Python
Very flexible.
Frank Ueltzhoffer
Corso - Artificial Neural Networks, Machine Learning and Deep Thinking
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
It was very interactive and more relaxed and informal than expected. We covered lots of topics in the time and the trainer was always receptive to talking more in detail or more generally about the topics and how they were related. I feel the training has given me the tools to continue learning as opposed to it being a one off session where learning stops once you've finished which is very important given the scale and complexity of the topic.
