Plan Szkolenia
Wstęp
Teoria prawdopodobieństwa, wybór modelu, teoria decyzji i informacji
Rozkłady prawdopodobieństwa
Modele liniowe regresji i klasyfikacji
Neural Networks
Metody jądra
Maszyny z rzadkim jądrem
Modele graficzne
Modele mieszanin i EM
Przybliżone wnioskowanie
Metody pobierania próbek
Ciągłe zmienne ukryte
Dane sekwencyjne
Łączenie modeli
Podsumowanie i wnioski
Wymagania
- Zrozumienie statystyki.
- Znajomość rachunku różniczkowego i podstaw algebry liniowej.
- Pewne doświadczenie z prawdopodobieństwem.
Publiczność
- Analitycy danych
- Studenci studiów doktoranckich, badacze i praktycy
Opinie uczestników (5)
Świetny kontakt z uczestnikami, wiedza praktyczna co bardzo się ceni. Dostosowanie toku / tempa. Duuuży plus, mega pozytywny instruktor, aż szkoda że szkolenie trwało tylko 2 dni.
Marcin Mikielewicz - TECNOBIT SLU
Szkolenie - Introduction Deep Learning & Réseaux de neurones pour l’ingénieur
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
Szkolenie - Artificial Neural Networks, Machine Learning, Deep Thinking
It felt like we were going through directly relevant information at a good pace (i.e. no filler material)
Maggie Webb - Department of Jobs, Regions, and Precincts
Szkolenie - Introduction to the use of neural networks
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
Szkolenie - Applied AI from Scratch in Python
Trener bardzo zrozumiale wytłumaczył trudne i zaawansowane tematy.