مبانی یادگیری ماشینی : آمار و احتمال

هدف از این دوره این است که یک پایه محکم مورد نیاز برای برتری در همه زمینه های علوم کامپیوتر - به ویژه علوم داده و یادگیری ماشین باشد. مسئله این است که بیشتر دوره های احتمال و آمار بیش از حد تئوری گرا هستند. آنها بدون بحث در مورد اهمیت برنامه ها ، در ریاضیات درهم می شوند. برنامه ها همیشه اهمیت ثانویه داده می شوند.
در این دوره ، ما یک رویکرد کد گرا را انجام می دهیم. ما همه مفاهیم را از طریق کد اعمال می کنیم. در واقع ، ما از تمام نظریه های بی فایده ای که مربوط به علوم کامپیوتر نیست ، می پردازیم. درعوض ، ما روی مفاهیمی که برای علوم داده ، یادگیری ماشین و سایر زمینه های علوم کامپیوتر مفیدتر هستند ، تمرکز می کنیم. به عنوان مثال ، بسیاری از دوره های احتمال از استنباط بیزی می گذرد. ما به این مفهوم بسیار مهم و سریع خواهیم رسید و به آن توجه می کنیم و به آن توجه می کنیم زیرا به عنوان آینده تجزیه و تحلیل به آن فکر می شود! زمان ممکن است بدون نیاز به مقابله با جزئیات موضوعات کمتر مرتبط. هنگامی که شما یک شهود از چیزهای مهم ایجاد کرده اید ، می توانید جدیدترین و بزرگترین مدل ها را حتی به تنهایی یاد بگیرید! -Statistics --- بنیادها-از-ماشین-یادگیری

عنوان اصلی : Probability / Statistics - The Foundations of Machine Learning

سرفصل های دوره :

غواصی با کد:
مقدمه
تنظیم محیط کد و دوره Crash Python
شروع با کد: احساس داده ها
مبانی ، انواع داده ها و نمایش داده ها
توجه عملی: رمزگذاری بردار یک داغ
کاوش در انواع داده ها در کد
گرایش اصلی ، میانگین ، متوسط ​​و حالت
اقدامات گسترش:
پراکندگی و پخش در داده ها ، واریانس ، انحراف استاندارد
اکتشاف پراکندگی از طریق کد
برنامه ها و قوانین برای احتمال:
مقدمه ای بر عدم اطمینان ، احتمال شهود
شبیه سازی تلنگر سکه برای احتمال
احتمال مشروط ، مهمترین مفهوم در آمار
اعمال احتمال مشروط - قانون بیز
کاربرد قانون بیز در دنیای واقعی - تشخیص هرزنامه
تشخیص هرزنامه - موضوعات اجرای
شمارش:
قوانین شمارش (عمدتا اختیاری)
متغیرهای تصادفی - منطقی و برنامه ها:
اندازه گیری رویدادها - متغیرهای تصادفی
دو متغیر تصادفی - احتمالات مشترک
توزیع - منطقی و اهمیت
توزیع های گسسته از طریق کد
توزیع مداوم با کمک یک مثال
کد توزیع مداوم
مطالعه موردی: تجزیه و تحلیل خواب ، ساختار و کد
تجسم در ساختمان شهود:
تجسم توزیع مشترک - جاده موفقیت ML
وابستگی و واریانس دو متغیر تصادفی
برنامه های کاربردی به دنیای واقعی:
مقادیر مورد انتظار - تصمیم گیری از طریق احتمالات
آنتروپی - مهمترین کاربرد مقادیر مورد انتظار
استفاده از آنتروپی - درختان تصمیم گیری برای یادگیری ماشین
مبانی استنباط بیزی
کد استنتاج بیزی از طریق PYMC3