Aperçu
Embarquez dans un voyage complet à travers le monde de l'apprentissage statistique machine avec ce cours avancé de deuxième cycle. Destiné aux étudiants ayant déjà suivi des cours en apprentissage machine (10-715) et en statistiques intermédiaires (36-705), ce programme met l'accent sur la théorie statistique et les méthodologies au sein du paysage de l'apprentissage machine. Il mélange habilement les fondations théoriques avec la méthodologie pratique, offrant des insights pour sélectionner les méthodes et approches les plus adaptées pour les problèmes de recherche.
Le programme du cours explore des sujets critiques de la théorie statistique essentiels pour les chercheurs en apprentissage machine, incluant la théorie non paramétrique, la cohérence, l'estimation minimax et la concentration de mesure. Il commence par un résumé des concepts essentiels tels que la probabilité, l'analyse biais/variance, l'estimation par maximum de vraisemblance (mle), la régression et la classification avant d'avancer vers les fondations théoriques couvrant les Espaces de Fonctions (incluant les espaces de Holder, les espaces de Sobolev, et les espaces de Hilbert à noyau reproduisant (RKHS)), la Concentration de Mesure, et la Théorie Minimax.
Dans le domaine de l'Apprentissage Supervisé, les participants exploreront la Régression Linéaire (couvrant les dimensions faibles, la régression ridge, le lasso, et la régression avide), la Régression Non Paramétrique (incluant la régression à noyau, les polynômes locaux, les modèles additifs, et la régression RKHS), la Classification Linéaire (englobant les modèles linéaires, la régression logistique, SVM, et la régression logistique sparse), la Classification Non Paramétrique (couvrant des méthodes comme les plus proches voisins (NN), le naïf Bayes, les méthodes plug-in, et SVM kernelisé), ainsi que les techniques de Prédiction Conforme et de Validation Croisée.
Le segment d'Apprentissage Non Supervisé s'attaque à l'Estimation de Densité Non Paramétrique, au Clustering (k-means, mélanges, liaison unique, clustering de densité, et clustering spectral), aux Mesures de Dépendance, et aux Modèles Graphiques (incluant les graphes de corrélation, les graphes de corrélation partielle, et les graphes d'indépendance conditionnelle).
De plus, le cours couvre un éventail d'autres sujets essentiels tels que l'Inférence Bayésienne Non Paramétrique, les techniques de Bootstrap et de sous-échantillonnage, l'Analyse de Données Interactive, la Robustesse dans l'analyse statistique, les approches d'Apprentissage Actif, la Confidentialité Différentielle, l'Apprentissage Profond, l'Apprentissage Distribué, et les techniques pour les données en flux continu.
Conçu pour les individus désireux d'approfondir leurs connaissances en intelligence artificielle, ce cours relève de multiples catégories incluant les cours d'Intelligence Artificielle, les cours d'Apprentissage Machine, les cours d'Apprentissage Profond, les cours d'Apprentissage Supervisé, et les cours d'Apprentissage Non Supervisé. Proposé de manière indépendante, ce programme est incontournable pour ceux qui visent à élargir leur expertise en apprentissage statistique machine.
Programme
Enseigné par
Étiquettes
Independent
Independent
51 Cours
Independent
Free Online Course
English
On-Demand
