Programa del Curso
Introducción
Teoría de la Probabilidad, Selección de Modelos, Teoría de la Decisión y de la Información
Distribuciones de probabilidad
Modelos lineales para regresión y clasificación
Neural Networks
Métodos del kernel
Máquinas de kernel dispersas
Modelos gráficos
Modelos de mezcla y EM
Inferencia aproximada
Métodos de muestreo
Variables latentes continuas
Datos secuenciales
Combinación de modelos
Resumen y conclusión
Requerimientos
- Comprensión de la estadística.
- Familiaridad con el cálculo multivariante y el álgebra lineal básica.
- Algo de experiencia con probabilidades.
Audiencia
- Analistas de datos
- Estudiantes de doctorado, investigadores y profesionales
Testimonios (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
Curso - 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
Curso - Applied AI from Scratch in Python
Very flexible