Statistical Machine Learning

via Independent

Resumen

Embárquese en un viaje completo a través del mundo del Aprendizaje Automático Estadístico con este curso avanzado de segundo nivel de posgrado. Diseñado para estudiantes que previamente han completado cursos en Aprendizaje Automático (10-715) y Estadística Intermedia (36-705), este programa enfatiza la teoría estadística y las metodologías dentro del panorama del aprendizaje automático. Con una mezcla experta de fundamentos teóricos con metodología práctica, ofrece perspectivas sobre la selección de los métodos y enfoques más adecuados para problemas de investigación.

El plan de estudios del curso profundiza en temas críticos de teoría estadística esenciales para investigadores de aprendizaje automático, incluyendo teoría no paramétrica, consistencia, estimación minimax y la concentración de medida. Comienza con una revisión de conceptos esenciales como probabilidad, análisis de sesgo/varianza, estimación de máxima verosimilitud (mle), regresión y clasificación antes de avanzar hacia los fundamentos teóricos que cubren Espacios de Funciones (incluidos espacios de Holder, espacios de Sobolev y espacios de Hilbert con núcleo de reproducción (RKHS)), Concentración de Medida y Teoría Minimax.

En el ámbito del Aprendizaje Supervisado, los participantes explorarán la Regresión Lineal (cubriendo baja dimensión, regresión ridge, lasso y regresión codiciosa), Regresión No Paramétrica (incluyendo regresión kernel, polinomios locales, modelos aditivos y regresión RKHS), Clasificación Lineal (que abarca modelos lineales, regresión logística, SVM y regresión logística dispersa), Clasificación No Paramétrica (cubriendo métodos como vecinos más cercanos (NN), naive Bayes, métodos plug-in y SVM kernelizado), junto con técnicas de Predicción Conforme y Validación Cruzada.

El segmento de Aprendizaje No Supervisado aborda la Estimación de Densidad No Paramétrica, Clustering (k-means, mezclas, enlace único, clustering de densidad y clustering espectral), Medidas de Dependencia y Modelos Gráficos (incluyendo gráficos de correlación, gráficos de correlación parcial y gráficos de independencia condicional).

Además, el curso cubre una gama de otros temas esenciales como Inferencia Bayesiana No Paramétrica, técnicas de Bootstrap y subsampling, Análisis de Datos Interactivo, Robustez en análisis estadístico, enfoques de Aprendizaje Activo, Privacidad Diferencial, Aprendizaje Profundo, Aprendizaje Distribuido y técnicas para datos en Streaming.

Diseñado para individuos interesados en profundizar su conocimiento en inteligencia artificial, este curso se incluye en múltiples categorías como Cursos de Inteligencia Artificial, Cursos de Aprendizaje Automático, Cursos de Aprendizaje Profundo, Cursos de Aprendizaje Supervisado y Cursos de Aprendizaje No Supervisado. Ofrecido de manera independiente, este programa es imprescindible para aquellos que buscan ampliar su experiencia en aprendizaje automático estadístico.