Návrh Školení
Úvod
- Přehled rozpoznávání vzorů a strojového učení
- Hlavní oblasti uplatnění v praxi
- Význam rozpoznávání vzorů v moderních technologiích
Teorie pravděpodobnosti, volba modelu a teorie rozhodování a informace
- Základy teorie pravděpodobnosti v kontextu rozpoznávání vzorů
- Principy výběru a vyhodnocování modelů
- Teorie rozhodování a její praktické využití
- Základy teorie informace
Rozdělení pravděpodobnosti
- Přehled běžných typů rozdělení pravděpodobnosti
- Role jednotlivých rozdělení při modelování dat
- Aplikace v oblasti rozpoznávání vzorů
Lineární modely pro regresi a klasifikaci
- Úvod do lineární regrese
- Základy lineární klasifikace
- Praktické využití a omezení lineárních modelů
Neuronové sítě
- Základy neuronových sítí a hlubokého učení
- Trénování neuronových sítí pro rozpoznávání vzorů
- Praktické příklady a studie případů
Metody založené na jádrech
- Úvod do metod využívajících jaderné funkce v rozpoznávání vzorů
- Support vector machines a další modely založené na jadrech
- Aplikace při práci s daty s vysokou dimenzionalitou
Řídké jádrové modely
- Principy řídkých modelů v kontextu rozpoznávání vzorů
- Metody dosažení řídkosti a regularizace modelů
- Praktické využití při analýze dat
Grafické modely
- Přehled grafických modelů ve strojovém učení
- Bayesovské sítě a Markovovy náhodné pole
- Dedukce a učení v rámci grafických modelů
Smíšené modely a algoritmus EM
- Úvod do smíšených modelů
- Algoritmus očekávání-maximalizace (EM)
- Aplikace při seskupování dat a odhadu jejich hustoty
Přibližná dedukce
- Metody aproximované dedukce v komplexních modelech
- Variacionální metody a Monte Carlo simulace
- Praktická uplatnění při analýze rozsáhlých datových souborů
Metody vzorkování
- Důležitost metod vzorkování pro probabilistické modely
- Techniky typu Markovského řetězce Monte Carlo (MCMC)
- Aplikace v oblasti rozpoznávání vzorů
Spojité latentní proměnné
- Pochopení modelů se spojitými latentními proměnnými
- Aplikace při redukci dimenzionality a reprezentaci dat
- Praktické ukázky a příklady použití
Posloupnostná data
- Základy modelování sekvenčních dat
- Skryté Markovovy modely a související techniky
- Aplikace v analýze časových řad a rozpoznávání řeči
Kombinování modelů
- Metody spojování více modelů dohromady
- Ensemble metody a techniky typu boosting
- Praktické využití ke zlepšení přesnosti modelů
Shrnutí a další kroky
Požadavky
- Znalost základů statistiky
- Orientaci v multivariační matematice a základech lineární algebry
- Minimální praktické zkušenosti s teorií pravděpodobnosti
Cílová skupina
- Analytici dat
- Doktorští studenti, výzkumníci a praktici v oboru
Reference (2)
Naučit lidi, kteří AI nikdy nepoužívali, opakovat se v zadávání promptů a přimět ty, kteří ji už používají, aby zvážili jiné metody jejího využití.
Matthew Gay - Tarsus Pharmaceuticals
Kurz - Artificial Intelligence (AI) Overview
Přeloženo strojem
Práce na základě prvních principů s cíleným zaměřením a následné aplikace případových studií v rámci stejného dne
Maggie Webb - Department of Jobs, Regions, and Precincts
Kurz - Artificial Neural Networks, Machine Learning, Deep Thinking
Přeloženo strojem
